論文の概要: Set-based v.s. Distribution-based Representations of Epistemic Uncertainty: A Comparative Study

• arxiv url: http://arxiv.org/abs/2602.22747v1
• Date: Thu, 26 Feb 2026 08:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.598562
• Title: Set-based v.s. Distribution-based Representations of Epistemic Uncertainty: A Comparative Study
• Title（参考訳）: セットベースv.s.分布に基づくてんかん不確かさの表現 : 比較研究
• Authors: Kaizheng Wang, Yunjia Wang, Fabio Cuzzolin, David Moens, Hans Hallez, Siu Lun Chau,
• Abstract要約: ニューラルネットワークにおける疫学的な不確実性は、一般的に2階のパラダイムを用いてモデル化される。 本稿では,2つのパラダイムを比較検討する。
• 参考スコア（独自算出の注目度）: 15.533120446404228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epistemic uncertainty in neural networks is commonly modeled using two second-order paradigms: distribution-based representations, which rely on posterior parameter distributions, and set-based representations based on credal sets (convex sets of probability distributions). These frameworks are often regarded as fundamentally non-comparable due to differing semantics, assumptions, and evaluation practices, leaving their relative merits unclear. Empirical comparisons are further confounded by variations in the underlying predictive models. To clarify this issue, we present a controlled comparative study enabling principled, like-for-like evaluation of the two paradigms. Both representations are constructed from the same finite collection of predictive distributions generated by a shared neural network, isolating representational effects from predictive accuracy. Our study evaluates each representation through the lens of 3 uncertainty measures across 8 benchmarks, including selective prediction and out-of-distribution detection, spanning 6 underlying predictive models and 10 independent runs per configuration. Our results show that meaningful comparison between these seemingly non-comparable frameworks is both feasible and informative, providing insights into how second-order representation choices impact practical uncertainty-aware performance.
• Abstract（参考訳）: ニューラルネットワークにおけるエピステミック不確実性は、後続パラメータ分布に依存する分布ベースの表現と、クレダル集合(確率分布の凸集合)に基づく集合ベースの表現の2つの二次パラダイムを用いてモデル化される。 これらのフレームワークは、意味論、仮定、評価の実践が異なるため、基本的には比較不可能と見なされ、それらの相対的なメリットははっきりしないままである。 経験的比較は、基礎となる予測モデルのバリエーションによってさらに理解される。 この問題を明らかにするために,2つのパラダイムの原則的,類型的評価を可能にする比較研究について述べる。 両表現は、共有ニューラルネットワークが生成する予測分布の有限コレクションから構成され、予測精度から表現効果を分離する。 本研究は,選択予測と分布外検出を含む8つのベンチマークにおける3つの不確実性尺度のレンズによる各表現を評価し,基礎となる6つの予測モデルと,構成毎に10個の独立した実行を対象とする。 以上の結果から,両フレームワーク間の有意義な比較は実現可能かつ有意義であり,2次表現の選択が実用的不確実性を考慮した性能に与える影響について考察した。

関連論文リスト

• Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty [38.040646841317965]
  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。
  論文  参考訳（メタデータ） (2026-02-11T10:54:57Z)
• 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)
• Generative vs. Discriminative modeling under the lens of uncertainty quantification [0.929965561686354]
  本稿では,生成的アプローチと識別的アプローチの比較分析を行った。 両手法が,不確実性を考慮した推論において,様々な情報源からの情報を活用する能力を比較する。 本稿では,両手法の教師あり学習と,検討されたモデリング手法と互換性のあるセミ教師あり学習を実現するための一般的なサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T14:32:43Z)
• 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)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Learning Structured Gaussians to Approximate Deep Ensembles [10.055143995729415]
  本稿では,スパース構造多変量ガウシアンを用いて,高密度画像予測タスクのための閉形式近似器を提案する。 正規分布における予測の不確かさと構造的相関を、サンプリング単独で暗黙的にではなく、明示的に捉える。 単分子深度推定におけるアプローチの利点を実証し,本手法の利点が同等の定量的性能で得られることを示す。
  論文  参考訳（メタデータ） (2022-03-29T12:34:43Z)
• Instance-Based Neural Dependency Parsing [56.63500180843504]
  依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。 私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
  論文  参考訳（メタデータ） (2021-09-28T05:30:52Z)
• 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)
• Achieving Equalized Odds by Resampling Sensitive Attributes [13.114114427206678]
  等価性の概念をほぼ満足する予測モデルを学習するためのフレキシブルなフレームワークを提案する。 この微分可能な関数は、モデルパラメータを等化奇数に向けて駆動するペナルティとして使用される。 本研究は,予測規則が本性質に反するか否かを検出するための公式な仮説テストを開発する。
  論文  参考訳（メタデータ） (2020-06-08T00:18:34Z)
• 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。