論文の概要: CAAL: Confidence-Aware Active Learning for Heteroscedastic Atmospheric Regression

• arxiv url: http://arxiv.org/abs/2602.11825v1
• Date: Thu, 12 Feb 2026 11:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.78113
• Title: CAAL: Confidence-Aware Active Learning for Heteroscedastic Atmospheric Regression
• Title（参考訳）: CAAL: Heteroscedastic atmosphere Regression に対する信頼性に配慮したアクティブラーニング
• Authors: Fei Jiang, Jiyang Xia, Junjie Yu, Mingfei Sun, Hugh Coe, David Topping, Dantong Liu, Zhenhui Jessie Li, Zhonghua Zheng,
• Abstract要約: 大気汚染の健康と気候への影響の定量化は、毒性や湿潤度といった大気中の重要な粒子の性質に依存している。 これらの性質は一般に複雑な観測技術や高価な粒子分解数値シミュレーションを必要とする。 本研究では,高効率かつ堅牢なサンプル選択のための信頼度対応能動学習フレームワーク(CAAL)を提案する。
• 参考スコア（独自算出の注目度）: 7.951744148676244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying the impacts of air pollution on health and climate relies on key atmospheric particle properties such as toxicity and hygroscopicity. However, these properties typically require complex observational techniques or expensive particle-resolved numerical simulations, limiting the availability of labeled data. We therefore estimate these hard-to-measure particle properties from routinely available observations (e.g., air pollutant concentrations and meteorological conditions). Because routine observations only indirectly reflect particle composition and structure, the mapping from routine observations to particle properties is noisy and input-dependent, yielding a heteroscedastic regression setting. With a limited and costly labeling budget, the central challenge is to select which samples to measure or simulate. While active learning is a natural approach, most acquisition strategies rely on predictive uncertainty. Under heteroscedastic noise, this signal conflates reducible epistemic uncertainty with irreducible aleatoric uncertainty, causing limited budgets to be wasted in noise-dominated regions. To address this challenge, we propose a confidence-aware active learning framework (CAAL) for efficient and robust sample selection in heteroscedastic settings. CAAL consists of two components: a decoupled uncertainty-aware training objective that separately optimises the predictive mean and noise level to stabilise uncertainty estimation, and a confidence-aware acquisition function that dynamically weights epistemic uncertainty using predicted aleatoric uncertainty as a reliability signal. Experiments on particle-resolved numerical simulations and real atmospheric observations show that CAAL consistently outperforms standard AL baselines. The proposed framework provides a practical and general solution for the efficient expansion of high-cost atmospheric particle property databases.
• Abstract（参考訳）: 大気汚染の健康と気候への影響の定量化は、毒性や湿潤度といった大気中の重要な粒子の性質に依存している。 しかし、これらの性質は一般に複雑な観測技術や高価な粒子分解数値シミュレーションを必要とし、ラベル付きデータの可用性を制限している。 そこで, 通常の観測結果(大気汚染物質濃度, 気象条件など)から, これらの難測粒子特性を推定した。 日常的な観測は粒子の組成や構造を間接的に反映するだけであるため、通常の観測から粒子の性質へのマッピングはノイズが多く、入力依存であり、不規則な回帰条件をもたらす。 限定的でコストのかかるラベル付け予算では、どのサンプルを測定またはシミュレートするかを選択することが中心的な課題である。 アクティブな学習は自然なアプローチだが、ほとんどの買収戦略は予測の不確実性に依存している。 異方性雑音下では、この信号は再生可能なてんかん不確実性と既約アレタリック不確実性とを融合させ、ノイズに支配された地域で限られた予算を浪費する。 この課題に対処するために、ヘテロセダスティックな環境下での効率的で堅牢なサンプル選択のための信頼度対応能動学習フレームワーク(CAAL)を提案する。 CAALは、予測平均と雑音レベルを個別に最適化して不確実性推定を安定化する分離された不確実性認識訓練目標と、予測されたアレタリック不確実性を信頼性信号として使用したてんかん不確実性を動的に重み付けする信頼度認識獲得機能とからなる。 粒子分解数値シミュレーションと実際の大気観測の実験により、CAALは標準ALベースラインを一貫して上回っていることが示された。 提案手法は,高コストの大気粒子特性データベースを効率的に拡張するための,実用的で汎用的なソリューションを提供する。

関連論文リスト

• Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
  フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。 本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。 不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
  論文  参考訳（メタデータ） (2026-01-02T09:16:55Z)
• Deep classifier kriging for probabilistic spatial prediction of air quality index [16.289713160499385]
  textitdeep Classifier kriging (DCK) は、完全な予測分布関数を推定するための柔軟で分散のないディープラーニングフレームワークである。 DCKは予測精度と不確実性定量化において従来の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-12-29T13:58:34Z)
• Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
  我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。 これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
  論文  参考訳（メタデータ） (2025-11-28T07:15:40Z)
• Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
  低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。 提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
  論文  参考訳（メタデータ） (2025-07-23T11:58:54Z)
• Discovering Governing Equations in the Presence of Uncertainty [11.752763800308276]
  本研究では, 力学系を基礎とする支配方程式を一貫して発見する鍵として, 測定ノイズとともに, システムの変動性を考慮した説明が重要であることを理論的に論じる。 SIPは、スパース同定ダイナミクス(SINDy)とその変種に対する平均82%の正方程式を一貫して同定することを示した。
  論文  参考訳（メタデータ） (2025-07-13T18:31:25Z)
• Smooth Sailing: Lipschitz-Driven Uncertainty Quantification for Spatial Association [15.706262708190643]
  本研究は, モデル不特定性や非ランダムな位置の面において, 信頼区間を構築するための既存の手法が, 名目上は適用できないことを示す。 本研究では,空間的環境下での関連性に対して,有効かつ頻繁な信頼区間を構築する手法を提案する。 我々のアプローチは、この設定における名目上のカバレッジを保証し、実・模擬両方の実験において既存の技術より優れています。
  論文  参考訳（メタデータ） (2025-02-09T23:20:03Z)
• Regulating Model Reliance on Non-Robust Features by Smoothing Input Marginal Density [93.32594873253534]
  信頼できる機械学習は、非ロバストな特徴に依存するモデルの厳密な規制を必要とする。 本稿では,モデル予測を入力に関連付けることによって,そのような特徴を記述・規制するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-05T09:16:56Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Localization Uncertainty Estimation for Anchor-Free Object Detection [48.931731695431374]
  アンカーベース物体検出のための既存の不確実性推定手法にはいくつかの制限がある。 アンカーフリー物体検出のためのUADと呼ばれる新しい位置推定不確実性推定手法を提案する。 本手法は,ボックスオフセットの4方向の不確かさを均一に捉え,どの方向が不確実であるかを判断する。
  論文  参考訳（メタデータ） (2020-06-28T13:49:30Z)

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。