論文の概要: Invariant Transformation and Resampling based Epistemic-Uncertainty Reduction

• arxiv url: http://arxiv.org/abs/2602.23315v1
• Date: Thu, 26 Feb 2026 18:22:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.843074
• Title: Invariant Transformation and Resampling based Epistemic-Uncertainty Reduction
• Title（参考訳）: 不変変態と再サンプリングに基づくてんかん-不確かさ低減
• Authors: Sha Hu,
• Abstract要約: 入力の複数の変換されたバージョンを持つトレーニングされたAIモデルに適用可能な"サンプル"ベースの推論を提案する。 このアプローチは推論精度を向上させる可能性があり、モデルのサイズと性能のバランスをとるための戦略を提供する。
• 参考スコア（独自算出の注目度）: 2.132096006921048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An artificial intelligence (AI) model can be viewed as a function that maps inputs to outputs in high-dimensional spaces. Once designed and well trained, the AI model is applied for inference. However, even optimized AI models can produce inference errors due to aleatoric and epistemic uncertainties. Interestingly, we observed that when inferring multiple samples based on invariant transformations of an input, inference errors can show partial independences due to epistemic uncertainty. Leveraging this insight, we propose a "resampling" based inferencing that applies to a trained AI model with multiple transformed versions of an input, and aggregates inference outputs to a more accurate result. This approach has the potential to improve inference accuracy and offers a strategy for balancing model size and performance.
• Abstract（参考訳）: 人工知能(AI)モデルは、入力を高次元空間の出力にマッピングする関数と見なすことができる。 一度設計され、訓練されたAIモデルは、推論に適用される。 しかし、最適化されたAIモデルでさえ、失語症やてんかんの不確実性による推論エラーを発生させることができる。 興味深いことに、入力の不変な変換に基づいて複数のサンプルを推測する場合、推論誤差はてんかんの不確実性に起因する部分的な独立性を示す可能性がある。 この知見を活用して、複数の変換された入力を持つトレーニング済みAIモデルに適用可能な"サンプル"ベースの推論を提案し、推論出力をより正確な結果に集約する。 このアプローチは推論精度を向上させる可能性があり、モデルのサイズと性能のバランスをとるための戦略を提供する。

関連論文リスト

• Uncertainty-aware data assimilation through variational inference [1.0214749455979089]
  決定論的機械学習アプローチに対する変分推論に基づく拡張を提案する。 我々の新しいモデルは、ほぼ完全に校正された予測が得られることを示す。
  論文  参考訳（メタデータ） (2025-10-20T07:54:35Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Diffusion models for probabilistic programming [56.47577824219207]
  拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
  論文  参考訳（メタデータ） (2023-11-01T12:17:05Z)
• Natural Evolution Strategies as a Black Box Estimator for Stochastic Variational Inference [0.0]
  VAEはバイアスのない低分散推定を可能にし、作成可能なモデルのタイプを制限する。 自然進化戦略に基づく別の勾配推定器を提案する。 この推定器は、使用するディストリビューションの種類を仮定せず、そうでなければVAEフレームワークでは不可能なモデルを作成することができる。
  論文  参考訳（メタデータ） (2023-08-15T21:43:11Z)
• Correcting Model Bias with Sparse Implicit Processes [0.9187159782788579]
  SIP(Sparse Implicit Processes)は,データ生成機構がモデルによって入力されるものと強く異なる場合,モデルバイアスを補正できることを示す。 合成データセットを用いて、SIPは、初期推定モデルの正確な予測よりもデータをよりよく反映する予測分布を提供することができることを示す。
  論文  参考訳（メタデータ） (2022-07-21T18:00:01Z)
• PAC Generalization via Invariant Representations [41.02828564338047]
  有限標本集合における$epsilon$-approximate不変性の概念を考える。 PAC学習にインスパイアされ、有限サンプルのアウト・オブ・ディストリビューション一般化保証を得る。 この結果から, 介入部位が非次境界ノードの一定サイズの部分集合内にある場合に, 周囲次元でスケールしない境界を示す。
  論文  参考訳（メタデータ） (2022-05-30T15:50:14Z)
• Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
  変分法による離散的グラフィカルモデルの推論は困難である。 エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。 選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
  論文  参考訳（メタデータ） (2020-10-22T05:04:38Z)
• 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。