論文の概要: Frequentist Validity of Epistemic Uncertainty Estimators

• arxiv url: http://arxiv.org/abs/2510.22063v1
• Date: Fri, 24 Oct 2025 22:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.807981
• Title: Frequentist Validity of Epistemic Uncertainty Estimators
• Title（参考訳）: てんかん不確かさ推定器の頻度論的妥当性
• Authors: Anchit Jain, Stephen Bates,
• Abstract要約: ブートストラップに基づく頻繁な不確実性の尺度を導入する。 我々の主要な理論的貢献は、提案された測度と(ベイジアン)相互情報が理論的に等価であることを示す新しい展開である。 これは、相互情報に対する頻繁な解釈と、それを近似するための新しい計算戦略を提供する。
• 参考スコア（独自算出の注目度）: 9.204324119167692
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decomposing prediction uncertainty into its aleatoric (irreducible) and epistemic (reducible) components is critical for the development and deployment of machine learning systems. A popular, principled measure for epistemic uncertainty is the mutual information between the response variable and model parameters. However, evaluating this measure requires access to the posterior distribution of the model parameters, which is challenging to compute. In view of this, we introduce a frequentist measure of epistemic uncertainty based on the bootstrap. Our main theoretical contribution is a novel asymptotic expansion that reveals that our proposed (frequentist) measure and the (Bayesian) mutual information are asymptotically equivalent. This provides frequentist interpretations to mutual information and new computational strategies for approximating it. Moreover, we link our proposed approach to the widely-used heuristic approach of deep ensembles, giving added perspective on their practical success.
• Abstract（参考訳）: 予測の不確実性をアレタリック(未認識)と認識(再認識)のコンポーネントに分解することは、機械学習システムの開発と展開に不可欠である。 疫学的不確実性の一般的な原則は、応答変数とモデルパラメータ間の相互情報である。 しかし、この尺度を評価するには、計算が困難であるモデルパラメータの後方分布へのアクセスが必要である。 これを踏まえて,ブートストラップに基づく頻繁なてんかん不確実性の尺度を導入する。 我々の主要な理論的貢献は、提案された(頻繁な)測度と(ベイジアン的な)相互情報が漸近的に等価であることを示す、新しい漸近的拡張である。 これは、相互情報に対する頻繁な解釈と、それを近似するための新しい計算戦略を提供する。 さらに,提案手法を深層アンサンブルの広く用いられているヒューリスティックアプローチと結びつけ,その実践的成功について考察する。

関連論文リスト

• Do you understand epistemic uncertainty? Think again! Rigorous frequentist epistemic uncertainty estimation in regression [37.422257886583424]
  我々は、初期出力を追加入力として返送することで条件予測を生成するモデルを訓練する。 本手法は,モデルの先行回答に条件付けされた場合の予測応答の変化を観察することにより,モデル不確かさの厳密な測定を可能にする。
  論文  参考訳（メタデータ） (2025-03-17T15:54:57Z)
• In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
  償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。 実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
  論文  参考訳（メタデータ） (2025-02-17T10:00:24Z)
• Model Free Prediction with Uncertainty Assessment [7.524024486998338]
  そこで本研究では,深部推定パラダイムを条件付き平均推定を行うプラットフォームに変換する新しいフレームワークを提案する。 本研究では, 条件付き拡散モデルに対する終端収束率を開発し, 生成した試料の正規性を確立する。 数値実験により,提案手法の有効性を実証的に検証した。
  論文  参考訳（メタデータ） (2024-05-21T11:19:50Z)
• Deep Evidential Learning for Radiotherapy Dose Prediction [0.0]
  本稿では放射線治療用線量予測分野におけるDeep Evidential Learningと呼ばれる不確実性定量化フレームワークの新たな応用法を提案する。 このモデルは,ネットワークトレーニング完了時の予測誤差と相関関係を持つ不確実性推定に有効に活用できることを見出した。
  論文  参考訳（メタデータ） (2024-04-26T02:43:45Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
  我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。 提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
  論文  参考訳（メタデータ） (2021-02-12T18:08:14Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。