論文の概要: Robustness and uncertainty: two complementary aspects of the reliability of the predictions of a classifier

• arxiv url: http://arxiv.org/abs/2512.15492v1
• Date: Wed, 17 Dec 2025 14:40:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:27.02903
• Title: Robustness and uncertainty: two complementary aspects of the reliability of the predictions of a classifier
• Title（参考訳）: ロバスト性と不確実性:分類器の予測の信頼性の2つの相補的側面
• Authors: Adrián Detavernier, Jasper De Bock,
• Abstract要約: 分類器の個人予測の信頼性を評価するために,ロバストネス量化(RQ)と不確実性量化(UQ)の2つのアプローチを検討する。 両アプローチを複数のベンチマークデータセットで比較し、両者の間に明確な勝者は存在しないが、相補的であり、RQとUQのどちらよりも優れたハイブリッドアプローチを得るために組み合わせることができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider two conceptually different approaches for assessing the reliability of the individual predictions of a classifier: Robustness Quantification (RQ) and Uncertainty Quantification (UQ). We compare both approaches on a number of benchmark datasets and show that there is no clear winner between the two, but that they are complementary and can be combined to obtain a hybrid approach that outperforms both RQ and UQ. As a byproduct of our approach, for each dataset, we also obtain an assessment of the relative importance of uncertainty and robustness as sources of unreliability.
• Abstract（参考訳）: 我々は、分類器の個々の予測の信頼性を評価するための概念的に異なるアプローチとして、ロバストネス量化(RQ)と不確実性量化(UQ)を考える。 両アプローチを複数のベンチマークデータセットで比較し、両者の間に明確な勝者は存在しないが、相補的であり、RQとUQのどちらよりも優れたハイブリッドアプローチを得るために組み合わせることができることを示す。 提案手法の副産物として,各データセットに対して,不確実性と頑健性の相対的重要性を信頼できない情報源として評価する。

関連論文リスト

• Uncertainty-Supervised Interpretable and Robust Evidential Segmentation [16.64288013782432]
  不確実性の推定は、信頼性を提供するツールとして、医用画像セグメンテーションにおいて広く研究されている。 従来手法では、不確実性推定の効果的な監督が欠如していた。 本研究では,不確実性の学習を指導する自己教師型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-21T14:31:47Z)
• A Context-Aware Dual-Metric Framework for Confidence Estimation in Large Language Models [6.62851757612838]
  大規模言語モデル(LLM)に対する現在の信頼度推定法は,応答と文脈情報の関連性を無視する。 本稿では,2つの新しい指標を用いた信頼度推定のためのコンテキスト忠実度と一貫性を統合したCRUXを提案する。 3つのベンチマークデータセットに対する実験は、CRUXの有効性を示し、既存のベースラインよりも高いAUROCを達成した。
  論文  参考訳（メタデータ） (2025-08-01T12:58:34Z)
• 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)
• Label-Confidence-Aware Uncertainty Estimation in Natural Language Generation [8.635811152610604]
  不確実性定量化(UQ)は、AIシステムの安全性と堅牢性を保証するために不可欠である。 サンプルとラベルソース間の分岐に基づくラベル信頼度(LCA)の不確実性評価を提案する。
  論文  参考訳（メタデータ） (2024-12-10T07:35:23Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• 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)
• Trusted Multi-View Classification with Dynamic Evidential Fusion [73.35990456162745]
  信頼型マルチビュー分類(TMC)と呼ばれる新しいマルチビュー分類アルゴリズムを提案する。 TMCは、様々な視点をエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 理論的および実験的結果は、精度、堅牢性、信頼性において提案されたモデルの有効性を検証した。
  論文  参考訳（メタデータ） (2022-04-25T03:48:49Z)
• Deep Classifiers with Label Noise Modeling and Distance Awareness [27.47689966724718]
  本稿では,モデルとデータの不確実性を共同でモデル化するHetSNGP法を提案する。 提案モデルでは,これら2つの相補的な不確かさの組合せが好適であることを示す。 また,本手法のアンサンブル版であるHetSNGP Ensembleを提案する。
  論文  参考訳（メタデータ） (2021-10-06T09:29:12Z)
• Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference [0.0]
  我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。 具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。 拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
  論文  参考訳（メタデータ） (2021-07-21T22:47:24Z)

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。