論文の概要: Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty

• arxiv url: http://arxiv.org/abs/2602.11219v1
• Date: Wed, 11 Feb 2026 10:54:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.463003
• Title: Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty
• Title（参考訳）: クレダル概念ボトルネックモデル:てんかんと失語症の構造的分離
• Authors: Tanmoy Mukherjee, Marius Kloft, Pierre Marquis, Zied Bouraoui,
• Abstract要約: 本研究では,不確かさを予測分布の集合として表すクレダルセットの定式化を提案する。 我々はこのアイデアを2つの不整合不確実性ヘッドを持つ変分クレダル概念ボトルネックモデルでインスタンス化する。
• 参考スコア（独自算出の注目度）: 38.040646841317965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decomposing predictive uncertainty into epistemic (model ignorance) and aleatoric (data ambiguity) components is central to reliable decision making, yet most methods estimate both from the same predictive distribution. Recent empirical and theoretical results show these estimates are typically strongly correlated, so changes in predictive spread simultaneously affect both components and blur their semantics. We propose a credal-set formulation in which uncertainty is represented as a set of predictive distributions, so that epistemic and aleatoric uncertainty correspond to distinct geometric properties: the size of the set versus the noise within its elements. We instantiate this idea in a Variational Credal Concept Bottleneck Model with two disjoint uncertainty heads trained by disjoint objectives and non-overlapping gradient paths, yielding separation by construction rather than post hoc decomposition. Across multi-annotator benchmarks, our approach reduces the correlation between epistemic and aleatoric uncertainty by over an order of magnitude compared to standard methods, while improving the alignment of epistemic uncertainty with prediction error and aleatoric uncertainty with ground-truth ambiguity.
• Abstract（参考訳）: 予測の不確実性をエピステミック(モデル無知)とアレタリック(データのあいまいさ)に分解することは、信頼性の高い意思決定の中心であるが、ほとんどの手法は同じ予測分布から推定する。 最近の経験的および理論的な結果は、これらの推定が典型的に強く相関していることを示しているため、予測的拡散の変化は両方のコンポーネントに同時に影響を与え、それらの意味を曖昧にする。 本研究では,不確かさを予測分布の集合として表すクレダル集合の定式化を提案する。 このアイデアを,不連続な目的と非重なり合う勾配経路によって訓練された2つの不連続な頭部を持つ変動的クレダル概念ボトルネックモデルでインスタンス化し,ポストホック分解よりも構造的に分離する。 マルチアノテータベンチマークにおいて,提案手法は,予測誤差による認識の不確実性のアライメントを改良し,地表面の曖昧さによる認識不確実性のアライメントを改善するとともに,標準的な手法と比較して,認識不確実性とアレタリック不確実性の相関を最大で1桁以上低減する。

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)
• Uncertainty Estimation using Variance-Gated Distributions [0.6340400318304492]
  クラス確率分布の信号対雑音比に基づく不確実性推定と分解のための直感的なフレームワークを提案する。 本稿では,アンサンブルから導かれる信頼因子による予測をスケールする分散化指標を提案する。
  論文  参考訳（メタデータ） (2025-09-07T16:19:21Z)
• Why Machine Learning Models Fail to Fully Capture Epistemic Uncertainty [3.4970971805884474]
  我々は、機械学習モデルにおいて、よりきめ細かな疫学的不確実性源の分類を利用する。 以上の結果から,高モデル偏見は誤認を招きかねない不確実性の推定に繋がる可能性が示唆された。 一般的な2階不確実性手法は、バイアスによって引き起こされた誤差をアレータリック推定に体系的に曖昧にする。
  論文  参考訳（メタデータ） (2025-05-29T14:50:46Z)
• 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)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• 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)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。