論文の概要: Uncertainty of Network Topology with Applications to Out-of-Distribution Detection

• arxiv url: http://arxiv.org/abs/2511.18813v1
• Date: Mon, 24 Nov 2025 06:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.05326
• Title: Uncertainty of Network Topology with Applications to Out-of-Distribution Detection
• Title（参考訳）: ネットワークトポロジの不確かさとアウト・オブ・ディストリビューション検出への応用
• Authors: Sing-Yuan Yeh, Chun-Hao Yang,
• Abstract要約: 予測トポロジカル不確実性(pTU)と呼ばれるベイズニューラルネットワークの新しいトポロジカルサマリーを導入する。 pTUはモデルと入力間の相互作用の不確実性を測定する。 アプリケーションとして、pTUは、モデルの信頼性を確保するために重要なOOD(out-of-distriion)検出問題を解決するために使用される。
• 参考スコア（独自算出の注目度）: 3.251449696624754
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Persistent homology (PH) is a crucial concept in computational topology, providing a multiscale topological description of a space. It is particularly significant in topological data analysis, which aims to make statistical inference from a topological perspective. In this work, we introduce a new topological summary for Bayesian neural networks, termed the predictive topological uncertainty (pTU). The proposed pTU measures the uncertainty in the interaction between the model and the inputs. It provides insights from the model perspective: if two samples interact with a model in a similar way, then they are considered identically distributed. We also show that the pTU is insensitive to the model architecture. As an application, pTU is used to solve the out-of-distribution (OOD) detection problem, which is critical to ensure model reliability. Failure to detect OOD input can lead to incorrect and unreliable predictions. To address this issue, we propose a significance test for OOD based on the pTU, providing a statistical framework for this issue. The effectiveness of the framework is validated through various experiments, in terms of its statistical power, sensitivity, and robustness.
• Abstract（参考訳）: 永続ホモロジー(PH)は計算トポロジーにおいて重要な概念であり、空間のマルチスケールトポロジ的記述を提供する。 特にトポロジカルデータ解析において重要であり、トポロジカルな観点から統計的推論を行うことを目的としている。 本研究では,ベイズニューラルネットワークの新しいトポロジカルサマリーについて紹介し,予測トポロジカル不確実性 (pTU) について述べる。 提案したpTUは、モデルと入力間の相互作用の不確実性を測定する。 2つのサンプルが同様の方法でモデルと相互作用した場合、それらは同一の分散と見なされる。 また、pTUはモデルアーキテクチャに無関心であることを示す。 アプリケーションとして、pTUは、モデルの信頼性を確保するために重要なOOD(out-of-distriion)検出問題を解決するために使用される。 OODの入力を検知できないと、不正確で信頼性の低い予測に繋がる。 この問題に対処するために,我々はpTUに基づくOODの重要度テストを提案し,この問題に対する統計的枠組みを提供する。 フレームワークの有効性は、その統計力、感度、堅牢性の観点から様々な実験によって検証される。

関連論文リスト

• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• UbiQTree: Uncertainty Quantification in XAI with Tree Ensembles [42.37986459997699]
  そこで本研究では,SHAP値の不確かさを動脈,てんかん,結束成分に分解する手法を提案する。 本手法は実世界の3つのユースケースにまたがって記述的統計解析を用いて検証する。 この理解は、堅牢な意思決定プロセスの開発と、高度なアプリケーションにおけるモデルの改良を導くことができる。
  論文  参考訳（メタデータ） (2025-08-13T09:20:33Z)
• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• Testing and Improving the Robustness of Amortized Bayesian Inference for Cognitive Models [0.5223954072121659]
  汚染物質観測とアウトリーチは、認知モデルのパラメータを推定する際にしばしば問題を引き起こす。 本研究では,アモルタイズされたベイズ推定を用いたパラメータ推定のロバスト性を検証・改善する。 提案手法は実装が簡単で実用的であり,外乱検出や除去が困難な分野に適用可能である。
  論文  参考訳（メタデータ） (2024-12-29T21:22:24Z)
• 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)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• Causal Inference in Geoscience and Remote Sensing from Observational Data [9.800027003240674]
  経験的データの有限集合を用いて、因果関係の正しい方向を推定する。 我々は28の地球科学因果推論問題の集合でパフォーマンスを示す。 この基準はあらゆるケースで最先端の検出率を達成するが、一般的にノイズ源や歪みに対して堅牢である。
  論文  参考訳（メタデータ） (2020-12-07T22:56:55Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。