論文の概要: Learning Credal Ensembles via Distributionally Robust Optimization

• arxiv url: http://arxiv.org/abs/2602.08470v1
• Date: Mon, 09 Feb 2026 10:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.167692
• Title: Learning Credal Ensembles via Distributionally Robust Optimization
• Title（参考訳）: 分布ロバスト最適化によるクレダルアンサンブルの学習
• Authors: Kaizheng Wang, Ghifari Adam Faza, Fabio Cuzzolin, Siu Lun Chau, David Moens, Hans Hallez,
• Abstract要約: 分布的ロバストな最適化により,可塑性モデルのアンサンブルを学習するCreDROを提案する。 CreDROは、複数のベンチマークにまたがるアウト・オブ・ディストリビューション検出や、医療応用における選択的な分類といったタスクにおいて、既存のクレダル法よりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 14.890993380833864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credal predictors are models that are aware of epistemic uncertainty and produce a convex set of probabilistic predictions. They offer a principled way to quantify predictive epistemic uncertainty (EU) and have been shown to improve model robustness in various settings. However, most state-of-the-art methods mainly define EU as disagreement caused by random training initializations, which mostly reflects sensitivity to optimization randomness rather than uncertainty from deeper sources. To address this, we define EU as disagreement among models trained with varying relaxations of the i.i.d. assumption between training and test data. Based on this idea, we propose CreDRO, which learns an ensemble of plausible models through distributionally robust optimization. As a result, CreDRO captures EU not only from training randomness but also from meaningful disagreement due to potential distribution shifts between training and test data. Empirical results show that CreDRO consistently outperforms existing credal methods on tasks such as out-of-distribution detection across multiple benchmarks and selective classification in medical applications.
• Abstract（参考訳）: クレダル予測器は、てんかんの不確実性を認識し、確率論的予測の凸セットを生成するモデルである。 それらは、予測的てんかん不確実性(EU)を定量化する原則的な方法を提供し、様々な環境でモデルの堅牢性を改善することが示されている。 しかし、ほとんどの最先端の手法は、主にEUを、より深い情報源からの不確実性ではなく、ランダム性を最適化するための感度を反映するランダムトレーニング初期化による不一致として定義している。 これを解決するために、我々はEUを、トレーニングデータとテストデータの間のi.d.仮定の様々な緩和で訓練されたモデル間の不一致として定義する。 このアイデアに基づいて、分布的にロバストな最適化を通じて可塑性モデルのアンサンブルを学習するCreDROを提案する。 結果として、CreDROは、トレーニングランダム性だけでなく、トレーニングデータとテストデータ間の潜在的分散シフトによる意味のある意見の相違からもEUを捉えている。 実験の結果,CreDROは,複数のベンチマークによるアウト・オブ・ディストリビューション検出や医学的応用における選択的分類といったタスクにおいて,既存のクレダル法を一貫して上回っていることがわかった。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Augmentation by Counterfactual Explanation -- Fixing an Overconfident Classifier [11.233334009240947]
  極めて正確だが過信的なモデルは、ヘルスケアや自動運転といった重要なアプリケーションへのデプロイには不適である。 本稿では,過度に信頼された分類器の修正に反事実的説明を適用することを提案する。
  論文  参考訳（メタデータ） (2022-10-21T18:53:16Z)
• Which models are innately best at uncertainty estimation? [15.929238800072195]
  ディープニューラルネットワークは、リスクに敏感なタスクにデプロイされる場合、不確実性推定機構を備える必要がある。 本稿では,深層建築とその訓練体制との関係について,その選択予測と不確実性推定性能について検討する。
  論文  参考訳（メタデータ） (2022-06-05T11:15:35Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)
• 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)
• Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
  変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。 これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。 おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
  論文  参考訳（メタデータ） (2020-02-17T19:23:36Z)

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。