論文の概要: Bayesian Scattering: A Principled Baseline for Uncertainty on Image Data

• arxiv url: http://arxiv.org/abs/2603.20908v1
• Date: Sat, 21 Mar 2026 18:43:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.145376
• Title: Bayesian Scattering: A Principled Baseline for Uncertainty on Image Data
• Title（参考訳）: Bayesian Scattering: 画像データの不確実性のための原則ベースライン
• Authors: Bernardo Fichera, Zarko Ivkovic, Kjell Jorner, Philipp Hennig, Viacheslav Borovitskiy,
• Abstract要約: 画像データの不確かさの定量化は複雑な深層学習法によって支配されるが、その分野には解釈可能で数学的に基底線がない。 このギャップを埋めるためにベイズ散乱を提案し、ベイズ線形回帰の役割に類似した第1ステップのベースラインとして機能する。 我々は、制度シフト中の医療画像、国ごとの変化による富のマッピング、分子特性のベイズ最適化など、様々なタスクでこれを検証する。
• 参考スコア（独自算出の注目度）: 21.916849627256383
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification for image data is dominated by complex deep learning methods, yet the field lacks an interpretable, mathematically grounded baseline. We propose Bayesian scattering to fill this gap, serving as a first-step baseline akin to the role of Bayesian linear regression for tabular data. Our method couples the wavelet scattering transform-a deep, non-learned feature extractor-with a simple probabilistic head. Because scattering features are derived from geometric principles rather than learned, they avoid overfitting the training distribution. This helps provide sensible uncertainty estimates even under significant distribution shifts. We validate this on diverse tasks, including medical imaging under institution shift, wealth mapping under country-to-country shift, and Bayesian optimization of molecular properties. Our results suggest that Bayesian scattering is a solid baseline for complex uncertainty quantification methods.
• Abstract（参考訳）: 画像データの不確かさの定量化は複雑な深層学習法によって支配されるが、その分野には解釈可能で数学的に基底線がない。 我々はこのギャップを埋めるためにベイズ散乱を提案し、表データに対するベイズ線形回帰の役割に類似した第1ステップのベースラインとして機能する。 本手法では, ウェーブレット散乱を簡易な確率的頭部を持つ深部非学習特徴抽出器に結合する。 散乱特徴は学習するよりも幾何学的原理から導かれるため、トレーニング分布の過度な適合を避けることができる。 これは、大きな分布シフトであっても、妥当な不確実性推定を提供するのに役立つ。 我々は、制度シフト中の医療画像、国ごとの変化による富のマッピング、分子特性のベイズ最適化など、様々なタスクでこれを検証する。 以上の結果から,ベイズ散乱は複素不確実性定量法のための固体基底線であることが示唆された。

関連論文リスト

• Unlearning-based Neural Interpretations [51.99182464831169]
  静的関数を用いて定義される現在のベースラインは、バイアスがあり、脆弱であり、操作可能であることを示す。 UNIは、学習不可能で、偏りがなく、適応的なベースラインを計算し、入力を最も急な上昇の未学習方向に向けて摂動させることを提案する。
  論文  参考訳（メタデータ） (2024-10-10T16:02:39Z)
• Stochastic full waveform inversion with deep generative prior for uncertainty quantification [0.0]
  フルウェーブフォーム・インバージョン(FWI)は非線形でしばしば不均一な逆問題を解決する。 FWIは、局所的なミニマトラップや不確実性の不十分な処理といった課題を提示している。 本研究では,ベイジアン逆転に対する物理パラメータの事前分布として,深部生成モデルを活用することを提案する。
  論文  参考訳（メタデータ） (2024-06-07T11:44:50Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• On the detrimental effect of invariances in the likelihood for variational inference [21.912271882110986]
  変分ベイズ後部推論は、トラクタビリティを確保するために平均場パラメトリゼーションのような近似を単純化する必要があることが多い。 これまでの研究は、ベイズニューラルネットワークの変動平均場近似と、小さなデータセットや大きなモデルサイズの場合の不適合を関連付けてきた。
  論文  参考訳（メタデータ） (2022-09-15T09:13:30Z)
• Reliable amortized variational inference with physics-based latent distribution correction [0.4588028371034407]
  ニューラルネットワークは、既存のモデルとデータのペアの後方分布を近似するように訓練される。 このアプローチの精度は、高忠実度トレーニングデータの可用性に依存する。 補正ステップは, ソース実験数の変化, ノイズ分散, 先行分布の変化に対して, 償却された変分推論の頑健さを向上することを示す。
  論文  参考訳（メタデータ） (2022-07-24T02:38:54Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• A Robust Test for Elliptical Symmetry [2.030567625639093]
  楕円性GoFテストは通常分析が困難であり、統計力は特に強くないことが多い。 デ・フィネッティが導入した交換可能な確率変数計算に基づく新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2020-06-05T08:51:16Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)
• A deep-learning based Bayesian approach to seismic imaging and uncertainty quantification [0.4588028371034407]
  不確実性は、不条件の逆問題を扱う際に必須である。 未知の知識を正確に符号化する事前分布を定式化することは、しばしば不可能である。 本稿では,無作為な畳み込みニューラルネットワークの機能形式を,前もって暗黙的な構造として利用することを提案する。
  論文  参考訳（メタデータ） (2020-01-13T23:46:18Z)

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。