論文の概要: Uncertainty Estimation by Flexible Evidential Deep Learning

• arxiv url: http://arxiv.org/abs/2510.18322v1
• Date: Tue, 21 Oct 2025 06:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.019845
• Title: Uncertainty Estimation by Flexible Evidential Deep Learning
• Title（参考訳）: フレキシブル・エビデンシャル・ディープラーニングによる不確かさ推定
• Authors: Taeseong Yoon, Heeyoung Kim,
• Abstract要約: 不確実性(UQ)は、高度なアプリケーションに機械学習モデルをデプロイするために不可欠である。 Evidential Deep Learning (EDL) は、クラス確率上のディリクレ分布の予測を通じて不確実性をモデル化することで効率を向上する。 クラス確率よりもフレキシブルなディリクレ分布(ディリクレ分布の一般化)を予測することでEDLを拡張する$mathcalF$-EDLを提案する。
• 参考スコア（独自算出の注目度）: 11.945854832533234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification (UQ) is crucial for deploying machine learning models in high-stakes applications, where overconfident predictions can lead to serious consequences. An effective UQ method must balance computational efficiency with the ability to generalize across diverse scenarios. Evidential deep learning (EDL) achieves efficiency by modeling uncertainty through the prediction of a Dirichlet distribution over class probabilities. However, the restrictive assumption of Dirichlet-distributed class probabilities limits EDL's robustness, particularly in complex or unforeseen situations. To address this, we propose \textit{flexible evidential deep learning} ($\mathcal{F}$-EDL), which extends EDL by predicting a flexible Dirichlet distribution -- a generalization of the Dirichlet distribution -- over class probabilities. This approach provides a more expressive and adaptive representation of uncertainty, significantly enhancing UQ generalization and reliability under challenging scenarios. We theoretically establish several advantages of $\mathcal{F}$-EDL and empirically demonstrate its state-of-the-art UQ performance across diverse evaluation settings, including classical, long-tailed, and noisy in-distribution scenarios.
• Abstract（参考訳）: 不確実性定量化(英: Uncertainty Quantification、UQ)は、機械学習モデルを高精細なアプリケーションにデプロイするために不可欠である。 有効なUQ手法は、計算効率と様々なシナリオにまたがる一般化能力のバランスをとる必要がある。 Evidential Deep Learning (EDL) は、クラス確率上のディリクレ分布の予測を通じて不確実性をモデル化することで効率を向上する。 しかし、ディリクレ分散クラス確率の制限的な仮定はEDLの堅牢性、特に複雑または予期せぬ状況において制限する。 これを解決するために、クラス確率よりもフレキシブルなディリクレ分布(ディリクレ分布の一般化)を予測することでEDLを拡張する「textit{flexible obviousial Deep Learning」(「\mathcal{F}$-EDL」)を提案する。 このアプローチは不確実性をより表現的かつ適応的に表現し、挑戦的なシナリオ下でのUQ一般化と信頼性を大幅に向上させる。 理論的には$\mathcal{F}$-EDLのいくつかの利点を確立し、古典的、長尾的、ノイズの多い分散シナリオを含む様々な評価設定において、最先端のUQ性能を実証的に示す。

関連論文リスト

• In-Context Learning as Nonparametric Conditional Probability Estimation: Risk Bounds and Optimality [9.893068784551879]
  我々は各タスクをラベル付き例のシーケンスとして形式化し、次にクエリ入力を行い、事前訓練されたモデルがクエリの条件付きクラス確率を推定する。 予測余剰リスクは、予測された条件クラス分布と真条件クラス分布の間の平均トラルバック・リーブラー(KL)偏差として定義される。 我々は、このリスクに対して、KLの発散に基づく新しいオラクルの不等式を、マルチクラス分類において確立する。
  論文  参考訳（メタデータ） (2025-08-12T06:42:10Z)
• End-to-End Probabilistic Framework for Learning with Hard Constraints [47.10876360975842]
  ProbHardE2Eは、運用上の制約をハード要件として組み込むことのできるシステムを学ぶ。 分散情報を新しい方法で活用することで、厳しい制約を課す。 一連の非線形制約(モデリングと柔軟性のパワーを高める)を組み込むことができます。
  論文  参考訳（メタデータ） (2025-06-08T05:29:50Z)
• TokUR: Token-Level Uncertainty Estimation for Large Language Model Reasoning [27.449948943467163]
  token-level Uncertainty Estimation framework for Reasoning (TokUR)を提案する。 TokURは、大規模言語モデルにおいて、数学的推論における応答を自己評価し、自己改善することを可能にする。 様々な難易度を持つ数学的推論データセットの実験により、TokURは答えの正しさとモデルロバストネスと強い相関を示すことが示された。
  論文  参考訳（メタデータ） (2025-05-16T22:47:32Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Ensemble Multi-Quantiles: Adaptively Flexible Distribution Prediction for Uncertainty Quantification [4.728311759896569]
  本稿では,機械学習における不確実性を定量化するために,分布予測の新しい,簡潔かつ効果的な手法を提案する。 これは回帰タスクにおいて$mathbbP(mathbfy|mathbfX=x)$の適応的に柔軟な分布予測を組み込む。 UCIデータセットからの大規模な回帰タスクでは、EMQが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2022-11-26T11:45:32Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。