論文の概要: Enhanced Data-Driven Product Development via Gradient Based Optimization and Conformalized Monte Carlo Dropout Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2601.00932v1
• Date: Fri, 02 Jan 2026 07:55:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.866143
• Title: Enhanced Data-Driven Product Development via Gradient Based Optimization and Conformalized Monte Carlo Dropout Uncertainty Estimation
• Title（参考訳）: グラディエントに基づく最適化とコンフォーマル化されたモンテカルロのドロップアウト不確実性推定によるデータ駆動型製品開発の改善
• Authors: Andrea Thomas Nava, Lijo Johny, Fabio Azzalini, Johannes Schneider, Arianna Casanova,
• Abstract要約: データ駆動製品開発(DDPD)は、製品設計仕様と結果の特性の関係を学ぶためにデータを活用する。 我々は、過去の実験でニューラルネットワークをトレーニングし、性能を最大化する最適な入力特徴を特定するために、射影勾配 Descent を適用した。 我々は,emphConformalized Monte Carlo Dropout (ConfMC) による不確実性推定を統合し,データ交換性の下でモデルに依存しない有限サンプルカバレッジ保証を提供する。
• 参考スコア（独自算出の注目度）: 1.683673215692404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-Driven Product Development (DDPD) leverages data to learn the relationship between product design specifications and resulting properties. To discover improved designs, we train a neural network on past experiments and apply Projected Gradient Descent to identify optimal input features that maximize performance. Since many products require simultaneous optimization of multiple correlated properties, our framework employs joint neural networks to capture interdependencies among targets. Furthermore, we integrate uncertainty estimation via \emph{Conformalised Monte Carlo Dropout} (ConfMC), a novel method combining Nested Conformal Prediction with Monte Carlo dropout to provide model-agnostic, finite-sample coverage guarantees under data exchangeability. Extensive experiments on five real-world datasets show that our method matches state-of-the-art performance while offering adaptive, non-uniform prediction intervals and eliminating the need for retraining when adjusting coverage levels.
• Abstract（参考訳）: データ駆動製品開発(DDPD)は、製品設計仕様と結果の特性の関係を学ぶためにデータを活用する。 改良された設計を発見するために、過去の実験でニューラルネットワークをトレーニングし、予測勾配Descentを適用して、性能を最大化する最適な入力特徴を特定する。 多くの製品は、複数の相関特性の同時最適化を必要とするため、我々のフレームワークは、目標間の相互依存を捉えるために、ジョイントニューラルネットワークを使用している。 さらに、Nested Conformal Prediction と Monte Carlo Dropout を組み合わせた新しい手法である \emph{Conformalized Monte Carlo Dropout} (ConfMC) による不確実性推定を統合し、データ交換性の下でモデルに依存しない有限サンプルカバレッジ保証を提供する。 5つの実世界のデータセットに対する大規模な実験により、我々の手法は適応的で一様でない予測間隔を提供しながら最先端のパフォーマンスと一致し、カバレッジレベルを調整する際に再トレーニングの必要がなくなることを示した。

関連論文リスト

• Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
  生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。 生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T03:37:16Z)
• Comparison of derivative-free and gradient-based minimization for multi-objective compositional design of shape memory alloys [0.0]
  我々は, 機械モデルを代理材として使用し, 合金組成の探索に数値的手法を適用した。 本研究では、物理インフォームドデータ、機械学習モデル、最適化アルゴリズムを組み合わせることで、新しいSMAを探索する実践的なアプローチを示す。
  論文  参考訳（メタデータ） (2025-08-19T03:43:35Z)
• CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
  本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T14:15:31Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
  PropEnは'matching'にインスパイアされている。 一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
  論文  参考訳（メタデータ） (2024-05-28T11:30:19Z)
• Improving the Transferability of Time Series Forecasting with Decomposition Adaptation [14.09967794482993]
  時系列予測では、十分なデータを得るのは難しいため、ニューラル予測モデルの性能が制限される。 データ不足の制限を軽減するため、SeDAN(Sequence Decomposition Adaptation Network)を設計する。 SeDANは、クロスドメインデータセットからの転送可能な知識を調整することで、ターゲットドメインでの予測性能を改善するための、新しい転送アーキテクチャである。
  論文  参考訳（メタデータ） (2023-06-30T18:12:22Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。