論文の概要: SphUnc: Hyperspherical Uncertainty Decomposition and Causal Identification via Information Geometry

• arxiv url: http://arxiv.org/abs/2603.01168v1
• Date: Sun, 01 Mar 2026 16:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.548148
• Title: SphUnc: Hyperspherical Uncertainty Decomposition and Causal Identification via Information Geometry
• Title（参考訳）: SphUnc:超球面不確かさ分解と情報幾何学による因果同定
• Authors: Rong Fu, Chunlei Meng, Jinshuo Liu, Dianyu Zhao, Yongtai Liu, Yibo Meng, Xiaowen Ma, Wangyu Wu, Yangchen Zeng, Kangning Cui, Shuaishuai Cao, Simon Fong,
• Abstract要約: 本稿では,超球面表現学習と構造因果モデリングを組み合わせた統合フレームワークであるSphUncを紹介する。 球状潜伏剤の構造因果モデルにより、サンプルベースシミュレーションによる直接的影響同定と介入推論が可能となる。 社会的および感情的なベンチマークに関する実証的な評価では、精度の向上、校正の改善、因果信号の解釈が示されている。
• 参考スコア（独自算出の注目度）: 7.816699755198432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable decision-making in complex multi-agent systems requires calibrated predictions and interpretable uncertainty. We introduce SphUnc, a unified framework combining hyperspherical representation learning with structural causal modeling. The model maps features to unit hypersphere latents using von Mises-Fisher distributions, decomposing uncertainty into epistemic and aleatoric components through information-geometric fusion. A structural causal model on spherical latents enables directed influence identification and interventional reasoning via sample-based simulation. Empirical evaluations on social and affective benchmarks demonstrate improved accuracy, better calibration, and interpretable causal signals, establishing a geometric-causal foundation for uncertainty-aware reasoning in multi-agent settings with higher-order interactions.
• Abstract（参考訳）: 複雑なマルチエージェントシステムにおける信頼性の高い意思決定には、校正された予測と解釈可能な不確実性が必要である。 本稿では,超球面表現学習と構造因果モデリングを組み合わせた統合フレームワークであるSphUncを紹介する。 このモデルは、von Mises-Fisher分布を用いて単位超球ラテントにマッピングし、情報幾何学的融合を通じて不確実性をエピステミックおよびアレータリック成分に分解する。 球状潜伏剤の構造因果モデルにより、サンプルベースシミュレーションによる直接的影響同定と介入推論が可能となる。 社会的および情緒的ベンチマークに関する実証評価では、精度の向上、校正の改善、因果信号の解釈が示され、高次相互作用を持つマルチエージェント環境での不確実性を考慮した推論のための幾何学的・因果的基礎が確立された。

関連論文リスト

• On the Plasticity and Stability for Post-Training Large Language Models [54.757672540381236]
  塑性と安定性勾配の矛盾として根本原因を同定する。 本稿では,確率的衝突解決法(PCR)を提案する。 PCRはトレーニングの軌道を著しく滑らかにし、様々な推論タスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-06T07:31:26Z)
• Hybrid twinning using PBDW and DeepONet for the effective state estimation and prediction on partially known systems [0.0]
  本研究では,物理に基づくモデリングとデータ駆動学習を組み合わせ,状態推定を強化する効果的なハイブリッド手法を提案する。 ヘルムホルツ方程式を含む代表問題に対する提案手法を検証した。
  論文  参考訳（メタデータ） (2025-12-03T12:19:00Z)
• 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)
• Point-level Uncertainty Evaluation of Mobile Laser Scanning Point Clouds [4.164044593574969]
  本研究では,点レベルの不確実性評価のための機械学習に基づくフレームワークを提案する。 局所幾何学的特徴と点レベルの誤差の関係を学習する。 実験により,両モデルが幾何特性と不確実性の間の非線形関係を効果的に捉えることができることを示した。
  論文  参考訳（メタデータ） (2025-10-24T21:30:52Z)
• UbiQTree: Uncertainty Quantification in XAI with Tree Ensembles [42.37986459997699]
  そこで本研究では,SHAP値の不確かさを動脈,てんかん,結束成分に分解する手法を提案する。 本手法は実世界の3つのユースケースにまたがって記述的統計解析を用いて検証する。 この理解は、堅牢な意思決定プロセスの開発と、高度なアプリケーションにおけるモデルの改良を導くことができる。
  論文  参考訳（メタデータ） (2025-08-13T09:20:33Z)
• Causal Spherical Hypergraph Networks for Modelling Social Uncertainty [3.0181801777983086]
  本稿では,社会基盤予測の枠組みであるCausal Spherical Hypergraph Networks(Causal-SphHN)を提案する。 提案手法は, 個人を超球面埋め込みとして, グループコンテキストをハイパーエッジとして表現し, 意味的および関係的幾何を捉える。 SNARE(オフラインネットワーク)、PHEME(オンライン談話)、AMIGOS(マルチモーダル・エフェクト)の実験は、Causal-SphHNが強いベースライン上での予測精度、堅牢性、キャリブレーションを改善することを示した。
  論文  参考訳（メタデータ） (2025-06-21T22:30:04Z)
• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:06:14Z)
• The Risk of Federated Learning to Skew Fine-Tuning Features and Underperform Out-of-Distribution Robustness [50.52507648690234]
  フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。 3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。 提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-01-25T09:18:51Z)
• Polynomial Chaos Surrogate Construction for Random Fields with Parametric Uncertainty [0.0]
  サロゲートモデルは、複雑なモデルの高い計算コストを回避する手段を提供する。 我々は,ロゼンブラットによって実現された本質的およびパラメトリック不確実性の結合空間上でPCEサロゲートを開発する。 そこで我々は,PCE Sobol インデックスを計算するためのクローズドフォーム・ソリューションを利用して,モデル全体の感度解析を行う。
  論文  参考訳（メタデータ） (2023-11-01T14:41:54Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。