論文の概要: Where to Measure: Epistemic Uncertainty-Based Sensor Placement with ConvCNPs

• arxiv url: http://arxiv.org/abs/2511.22567v1
• Date: Thu, 27 Nov 2025 16:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.62972
• Title: Where to Measure: Epistemic Uncertainty-Based Sensor Placement with ConvCNPs
• Title（参考訳）: ConvCNPを用いたてんかん性不確実性に基づくセンサ配置の計測方法
• Authors: Feyza Eksen, Stefan Oehmcke, Stefan Lüdtke,
• Abstract要約: 我々は,センサ配置のための新しい獲得機能として,てんかん不確実性の低減を期待する。 条件付きニューラルネットワーク(ConvCNPs)を混合密度ネットワーク(MDNs)出力ヘッドで拡張して不確実性を推定する。 予備的な結果は、疫学的な不確実性駆動センサ配置が、全体的な不確実性に基づくアプローチよりも、モデル誤差を効果的に減少させることを示唆している。
• 参考スコア（独自算出の注目度）: 5.6674894905527795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate sensor placement is critical for modeling spatio-temporal systems such as environmental and climate processes. Neural Processes (NPs), particularly Convolutional Conditional Neural Processes (ConvCNPs), provide scalable probabilistic models with uncertainty estimates, making them well-suited for data-driven sensor placement. However, existing approaches rely on total predictive uncertainty, which conflates epistemic and aleatoric components, that may lead to suboptimal sensor selection in ambiguous regions. To address this, we propose expected reduction in epistemic uncertainty as a new acquisition function for sensor placement. To enable this, we extend ConvCNPs with a Mixture Density Networks (MDNs) output head for epistemic uncertainty estimation. Preliminary results suggest that epistemic uncertainty driven sensor placement more effectively reduces model error than approaches based on overall uncertainty.
• Abstract（参考訳）: 正確なセンサー配置は、環境や気候などの時空間系をモデル化するのに重要である。 ニューラルネットワーク(NP)、特に畳み込み条件ニューラルネットワーク(ConvCNP)は、不確実性推定を伴うスケーラブルな確率モデルを提供し、データ駆動型センサー配置に適している。 しかし、既存のアプローチは、不明瞭な領域における最適下層センサーの選択につながるかもしれないてんかんやアレータリックな成分を混在させる、全体的な予測の不確実性に依存している。 そこで我々は,センサ配置の新たな獲得機能として,先天的不確実性の低減を期待する。 これを実現するために,コンブCNPをMDN(Mixture Density Networks)出力ヘッドで拡張し,疫学的不確実性の推定を行う。 予備的な結果は、疫学的な不確実性駆動センサ配置が全体的な不確実性に基づくアプローチよりも、モデル誤差を効果的に減少させることを示唆している。

関連論文リスト

• A Physics Informed Machine Learning Framework for Optimal Sensor Placement and Parameter Estimation [0.0]
  本研究では,センサ配置とパラメータ推定を同時に行う,包括的なPINNベースのフレームワークを提案する。 その結果,本手法は直感的あるいはランダムに選択されたセンサ位置から推定したパラメータ値と比較して,常に高精度であることがわかった。
  論文  参考訳（メタデータ） (2025-11-19T15:37:17Z)
• Uncertainty Quantification In Surface Landmines and UXO Classification Using MC Dropout [1.3999481573773072]
  本研究では,表面地雷およびUXO分類のための微調整されたResNet-50アーキテクチャに統合されたモンテカルロ・ドロップアウト(MC)による不確実性定量化の考え方を紹介する。 クリーンで逆向きに摂動し、ノイズの多いテスト画像に対する実験結果は、モデルが困難な条件下で信頼できない予測をフラグする能力を示している。
  論文  参考訳（メタデータ） (2025-10-03T03:01:22Z)
• Low-Order Flow Reconstruction and Uncertainty Quantification in Disturbed Aerodynamics Using Sparse Pressure Measurements [0.0]
  本稿では,低次グステンカウンタ流場と昇降係数をスパース・ノイズ表面圧力測定から再構成する新しい機械学習フレームワークを提案する。 本研究では,センサのガス-空気相互作用に対する応答の時間変化を徹底的に検討し,センサ配置に関する貴重な知見を明らかにする。
  論文  参考訳（メタデータ） (2025-01-06T22:02:06Z)
• Adaptive Sampling to Reduce Epistemic Uncertainty Using Prediction Interval-Generation Neural Networks [0.0]
  本稿では,予測モデルにおけるてんかんの不確実性を低減するための適応サンプリング手法を提案する。 我々の主な貢献は、潜在的なてんかんの不確実性を推定する計量の開発である。 ガウス過程(GP)に基づくバッチサンプリング戦略も提案する。 本研究では, 実験肥料の施肥率を選択するために, 3つの一次元合成問題と, 農業分野に基づく多次元データセットについて検討した。
  論文  参考訳（メタデータ） (2024-12-13T21:21:47Z)
• Gaussian Process Upper Confidence Bounds in Distributed Point Target Tracking over Wireless Sensor Networks [8.837529873076235]
  本稿では,点目標追跡のための分散ガウス過程(DGP)アプローチを提案し,状態推定値の上限値(UCB)を導出する。 The novel hybrid Bayesian filtering method is proposed to improve the DGP approach by adopted a Poisson measurement chance model。 数値計算により,提案手法の追跡精度とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-09-11T22:42:11Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Bayesian autoencoders with uncertainty quantification: Towards trustworthy anomaly detection [78.24964622317634]
  本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。 不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。 本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
  論文  参考訳（メタデータ） (2022-02-25T12:20:04Z)
• Deterministic Neural Networks with Appropriate Inductive Biases Capture Epistemic and Aleatoric Uncertainty [91.01037972035635]
  変化を最小限に抑えた1つのソフトマックスニューラルネットがディープアンサンブルの不確実性予測を破ることが示される。 適切な誘導バイアスで、最大で訓練されたソフトマックスニューラルネットは、特徴空間密度を通じて確実な不確実性を確実に捉えていることを示す。
  論文  参考訳（メタデータ） (2021-02-23T09:44:09Z)

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。