論文の概要: Beyond Accuracy: An Empirical Study of Uncertainty Estimation in Imputation

• arxiv url: http://arxiv.org/abs/2511.21607v1
• Date: Wed, 26 Nov 2025 17:27:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.22275
• Title: Beyond Accuracy: An Empirical Study of Uncertainty Estimation in Imputation
• Title（参考訳）: 精度を超えて:インプットにおける不確かさ推定の実証的研究
• Authors: Zarin Tahia Hossain, Mostafa Milani,
• Abstract要約: 不確実性の表現と定量化の方法が異なる。 不確実性は、マルチラン変動、条件付きサンプリング、予測分布モデリングの3つの相補的経路によって推定される。 精度校正,実行,安定した構成の特定,不確実性を考慮したインプタ選択のためのガイドラインを提供する。
• 参考スコア（独自算出の注目度）: 0.5524804393257919
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Handling missing data is a central challenge in data-driven analysis. Modern imputation methods not only aim for accurate reconstruction but also differ in how they represent and quantify uncertainty. Yet, the reliability and calibration of these uncertainty estimates remain poorly understood. This paper presents a systematic empirical study of uncertainty in imputation, comparing representative methods from three major families: statistical (MICE, SoftImpute), distribution alignment (OT-Impute), and deep generative (GAIN, MIWAE, TabCSDI). Experiments span multiple datasets, missingness mechanisms (MCAR, MAR, MNAR), and missingness rates. Uncertainty is estimated through three complementary routes: multi-run variability, conditional sampling, and predictive-distribution modeling, and evaluated using calibration curves and the Expected Calibration Error (ECE). Results show that accuracy and calibration are often misaligned: models with high reconstruction accuracy do not necessarily yield reliable uncertainty. We analyze method-specific trade-offs among accuracy, calibration, and runtime, identify stable configurations, and offer guidelines for selecting uncertainty-aware imputers in data cleaning and downstream machine learning pipelines.
• Abstract（参考訳）: 欠落したデータを扱うことは、データ駆動分析における中心的な課題である。 現代の計算法は、正確な再構築を目的とするだけでなく、不確実性をどのように表現し定量化するかも異なる。 しかし、これらの不確実性推定の信頼性と校正はいまだに理解されていない。 本稿では, 統計学(MICE, SoftImpute), 分布アライメント(OT-Impute), 深部生成(GAIN, MIWAE, TabCSDI)の3つの主要ファミリーの代表的手法を比較し, 不確実性に関する系統的研究を行った。 実験は、複数のデータセット、欠落メカニズム(MCAR、MAR、MNAR)、欠落率にまたがる。 不確実性は, マルチラン変動, 条件付きサンプリング, 予測分布モデルという3つの相補的経路を通じて推定され, キャリブレーション曲線と予測校正誤差(ECE)を用いて評価される。 再現精度の高いモデルは必ずしも確実な不確実性をもたらすとは限らない。 我々は、精度、キャリブレーション、実行時のメソッド固有のトレードオフを分析し、安定した構成を特定し、データクリーニングおよび下流機械学習パイプラインにおいて不確実性を認識したインプタを選択するためのガイドラインを提供する。

関連論文リスト

• Enhancing accuracy of uncertainty estimation in appearance-based gaze tracking with probabilistic evaluation and calibration [13.564919425738163]
  外見に基づく視線追跡の不確実性は、信頼性の高い下流アプリケーションを保証するために重要である。 現在の不確実性認識アプローチでは、トレーニングデータセット内の分布に従って不確実性を取得する確率論的モデルを採用している。 トレーニングされたモデルの不確かさを推定する際のバイアスを軽減するために,確率校正に基づく補正戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-24T19:33:55Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Towards Understanding Variants of Invariant Risk Minimization through the Lens of Calibration [0.6906005491572401]
  本稿では,Information BottleneckをベースとしたITMが,異なる環境における一貫したキャリブレーションを実現することを示す。 私たちの経験的証拠は、環境全体にわたって一貫した校正を示すモデルも十分に校正されていることを示している。
  論文  参考訳（メタデータ） (2024-01-31T02:08:43Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Improving model calibration with accuracy versus uncertainty optimization [17.056768055368384]
  適切に校正されたモデルは、その予測が確実であるときに正確であり、不正確な場合に高い不確実性を示すべきである。 精度と不確実性の関係を不確実性校正のアンカーとして活用する最適化手法を提案する。 平均場変動推定によるアプローチの実証と最先端手法との比較を行った。
  論文  参考訳（メタデータ） (2020-12-14T20:19:21Z)

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。