論文の概要: Towards Distribution-Shift Uncertainty Estimation for Inverse Problems with Generative Priors

• arxiv url: http://arxiv.org/abs/2510.10947v1
• Date: Mon, 13 Oct 2025 02:58:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.165107
• Title: Towards Distribution-Shift Uncertainty Estimation for Inverse Problems with Generative Priors
• Title（参考訳）: 生成前の逆問題に対する分布シフト不確実性推定に向けて
• Authors: Namhoon Kim, Sara Fridovich-Keil,
• Abstract要約: 遺伝子モデルは、逆問題を解決するためのデータ駆動の先駆体として強い可能性を示してきた。 本稿では,分散シフトに敏感なインスタンスレベルのキャリブレーションのない不確実性指標を提案する。 提案するインジケータは,任意の計算画像逆問題に対して効率的に計算可能である。
• 参考スコア（独自算出の注目度）: 4.085626952545055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models have shown strong potential as data-driven priors for solving inverse problems such as reconstructing medical images from undersampled measurements. While these priors improve reconstruction quality with fewer measurements, they risk hallucinating features when test images lie outside the training distribution. Existing uncertainty quantification methods in this setting (i) require an in-distribution calibration dataset, which may not be available, (ii) provide heuristic rather than statistical estimates, or (iii) quantify uncertainty from model capacity or limited measurements rather than distribution shift. We propose an instance-level, calibration-free uncertainty indicator that is sensitive to distribution shift, requires no knowledge of the training distribution, and incurs no retraining cost. Our key hypothesis is that reconstructions of in-distribution images remain stable under random measurement variations, while reconstructions of out-of-distribution (OOD) images exhibit greater instability. We use this stability as a proxy for detecting distribution shift. Our proposed OOD indicator is efficiently computable for any computational imaging inverse problem; we demonstrate it on tomographic reconstruction of MNIST digits, where a learned proximal network trained only on digit "0" is evaluated on all ten digits. Reconstructions of OOD digits show higher variability and correspondingly higher reconstruction error, validating this indicator. These results suggest a deployment strategy that pairs generative priors with lightweight guardrails, enabling aggressive measurement reduction for in-distribution cases while automatically warning when priors are applied out of distribution.
• Abstract（参考訳）: 生成モデルは、アンダーサンプル測定による医療画像の再構成などの逆問題を解決するために、データ駆動の先行モデルとして強い可能性を示してきた。 これらの先行技術は, より少ない測定で再現品質を向上するが, テスト画像がトレーニング分布外にある場合, 幻覚特性を損なう恐れがある。 この設定における既存の不確実な定量化方法 i) 利用できない可能性のある分配内キャリブレーションデータセットが必要である。 (二 統計的推定よりむしろヒューリスティックを提供すること。) 三 分布シフトよりもモデル容量又は限られた測定値から不確実性を定量化すること。 本研究では、分散シフトに敏感で、トレーニング分布の知識を必要とせず、再トレーニングコストを伴わないインスタンスレベルの校正不要不確実性指標を提案する。 我々のキーとなる仮説は、分布外画像の再構成はランダムな測定変化の下で安定であり、一方、分布外画像(OOD)の再構成は不安定性が高いというものである。 この安定性を分散シフト検出のプロキシとして利用しています。 提案するOODインジケータは,MNIST桁のトモグラフィ再構成において効率よく計算可能である。 OOD桁の再構成は,高い変動性を示し,それに応じて高い復元誤差を示し,この指標を検証した。 これらの結果から, 誘導前処理と軽量ガードレールを併用し, 配電系統の積極的測定を可能とし, 配電系統から前処理を適用した場合の警告を自動的に行う配置戦略が示唆された。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• Hinge-Wasserstein: Estimating Multimodal Aleatoric Uncertainty in Regression Tasks [9.600416563894658]
  画像からパラメータ値への回帰について検討し、ここでは確率分布を予測して不確実性を検出することが一般的である。 従来の損失関数は、完全な真実分布が存在しない場合、確率分布の予測が低く、自信が強くなる。 トレーニング中の弱い二次モードのペナルティを低減するために, ハンジ・ワッサースタイン(Hungge-Wasserstein)を提案する。
  論文  参考訳（メタデータ） (2023-06-01T11:20:09Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Unsupervised Lesion Detection via Image Restoration with a Normative Prior [6.495883501989547]
  本稿では,ネットワークをベースとした事前分布を規範分布とし,MAP推定を用いて画素単位で病変を検出する確率モデルを提案する。 脳MRIにおけるグリオーマと脳卒中病変の実験は、提案手法が最先端の教師なし手法よりかなり優れていることを示している。
  論文  参考訳（メタデータ） (2020-04-30T18:03:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。