論文の概要: Uncertainty Quantification for Machine Learning: One Size Does Not Fit All

• arxiv url: http://arxiv.org/abs/2512.12341v1
• Date: Sat, 13 Dec 2025 14:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.224755
• Title: Uncertainty Quantification for Machine Learning: One Size Does Not Fit All
• Title（参考訳）: 機械学習のための不確かさの定量化:一つのサイズがすべてを満たすわけではない
• Authors: Paul Hofman, Yusuf Sale, Eyke Hüllermeier,
• Abstract要約: 不確かさの定量化は特定の応用に合わせるべきだと我々は主張する。 特に、選択予測のタスクでは、スコアリングルールがタスク損失と理想的に一致すべきであることを示す。 アクティブな学習環境では、ゼロ・ワン・ロスに基づく疫学的な不確実性は、他の不確実性対策よりも一貫して優れていることが示される。
• 参考スコア（独自算出の注目度）: 27.02918627964384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proper quantification of predictive uncertainty is essential for the use of machine learning in safety-critical applications. Various uncertainty measures have been proposed for this purpose, typically claiming superiority over other measures. In this paper, we argue that there is no single best measure. Instead, uncertainty quantification should be tailored to the specific application. To this end, we use a flexible family of uncertainty measures that distinguishes between total, aleatoric, and epistemic uncertainty of second-order distributions. These measures can be instantiated with specific loss functions, so-called proper scoring rules, to control their characteristics, and we show that different characteristics are useful for different tasks. In particular, we show that, for the task of selective prediction, the scoring rule should ideally match the task loss. On the other hand, for out-of-distribution detection, our results confirm that mutual information, a widely used measure of epistemic uncertainty, performs best. Furthermore, in an active learning setting, epistemic uncertainty based on zero-one loss is shown to consistently outperform other uncertainty measures.
• Abstract（参考訳）: 予測の不確実性の適切な定量化は、安全クリティカルなアプリケーションにおける機械学習の利用に不可欠である。 この目的のために様々な不確実性対策が提案され、典型的には他の手段よりも優越性を主張している。 本稿では,最善策が一つもないことを論じる。 代わりに、不確実性定量化は特定の応用に合わせて調整されるべきである。 この目的のために我々は, 2次分布の総, 照度, てんかんの不確かさを区別する, フレキシブルな不確実性尺度群を用いる。 これらの手法は、特定の損失関数、いわゆる適切なスコアリングルールでインスタンス化することができ、それらの特性を制御し、異なるタスクに異なる特性が有用であることを示す。 特に、選択予測のタスクでは、スコアリングルールがタスク損失と理想的に一致すべきであることを示す。 一方, アウト・オブ・ディストリビューション検出では, 疫学的不確実性の尺度として広く用いられている相互情報が最も有効であることが確認された。 さらに, 積極的学習環境では, ゼロ・ワン損失に基づくてんかんの不確実性は, 他の不確実性対策よりも一貫して優れていた。

関連論文リスト

• Uncertainty Quantification with Proper Scoring Rules: Adjusting Measures to Prediction Tasks [19.221081896134567]
  本研究では,(厳密な)適切なスコアリング規則,特定の種類の損失関数を,分散成分とエントロピー成分に分解して不確実性の尺度を提案する。 これは不確実性定量化のための柔軟なフレームワークをもたらし、異なる損失(スコアリングルール)でインスタンス化できる。 この柔軟性は確かに有利であることを示し、特に、選択予測のタスクを分析し、スコアリングルールがタスクの損失と理想的に一致することを示します。
  論文  参考訳（メタデータ） (2025-05-28T16:22:53Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• 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)
• On Information-Theoretic Measures of Predictive Uncertainty [5.8034373350518775]
  その重要性にもかかわらず、予測の不確実性の最良の定量化方法に関する普遍的な合意はない。 提案手法は, 予測の不確かさを, (I) 予測モデル (II) 真の予測分布の近似の2つの要因により分類する。 我々は、これらの対策を広範囲にわたるタスクにわたって広範囲に評価し、ある対策が優れている条件を特定した。
  論文  参考訳（メタデータ） (2024-10-14T17:52:18Z)
• From Risk to Uncertainty: Generating Predictive Uncertainty Measures via Bayesian Estimation [5.355925496689674]
  私たちは、異なる予測の不確実性対策を作成できるフレームワークを構築します。 本手法は,分布外および誤分類インスタンスの検出において,その性能を評価することにより,画像データセット上での検証を行う。
  論文  参考訳（メタデータ） (2024-02-16T14:40:22Z)
• Second-Order Uncertainty Quantification: Variance-Based Measures [2.3999111269325266]
  本稿では,分類問題における二階分布に基づく不確かさの定量化に分散に基づく新しい手法を提案する。 この尺度の特徴は、クラスベースレベルでの不確実性を推論する能力であり、不確実な意思決定が必要な状況において有用である。
  論文  参考訳（メタデータ） (2023-12-30T16:30:52Z)
• 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)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。