論文の概要: Uncertainty Quantification for Distribution-to-Distribution Flow Matching in Scientific Imaging

• arxiv url: http://arxiv.org/abs/2603.21717v2
• Date: Tue, 24 Mar 2026 15:25:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 15:07:29.995561
• Title: Uncertainty Quantification for Distribution-to-Distribution Flow Matching in Scientific Imaging
• Title（参考訳）: 科学的画像における分布-分布流整合の不確かさの定量化
• Authors: Dongxia Wu, Yuhui Zhang, Serena Yeung-Levy, Emma Lundberg, Emily B. Fox,
• Abstract要約: 分布から分布への生成モデルは、細胞摂動応答のモデル化から、条件を越えた医療画像の翻訳まで、科学的イメージングタスクをサポートする。 不確実性(UQ)に基づくアプローチは、これらのタスクの有望な候補として機能するが、分配分配生成モデルのUQはまだ未定である。 本稿では,Aleatoricおよび不確実性を解消する統一UQフレームワークBayesian Flow Matching(BSFM)を提案する。このFlow Matchingコンポーネントは,拡散項による決定論的フローを拡張し,モデル一般化を未知のシナリオに改善する。
• 参考スコア（独自算出の注目度）: 27.219143382247797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Distribution-to-distribution generative models support scientific imaging tasks ranging from modeling cellular perturbation responses to translating medical images across conditions. Trustworthy generation requires both reliability (generalization across labs, devices, and experimental conditions) and accountability (detecting out-of-distribution cases where predictions may be unreliable). Uncertainty quantification (UQ) based approaches serve as promising candidates for these tasks, yet UQ for distribution-to-distribution generative models remains underexplored. We present a unified UQ framework, Bayesian Stochastic Flow Matching (BSFM), that disentangles aleatoric and epistemic uncertainty. The Stochastic Flow Matching (SFM) component augments deterministic flows with a diffusion term to improve model generalization to unseen scenarios. For UQ, we develop a scalable Bayesian approach -- MCD-Antithetic -- that combines Monte Carlo Dropout with sample-efficient antithetic sampling to produce effective anomaly scores for out-of-distribution detection. Experiments on cellular imaging (BBBC021, JUMP) and brain fMRI (Theory of Mind) across diverse scenarios show that SFM improves reliability while MCD-Antithetic enhances accountability.
• Abstract（参考訳）: 分布から分布への生成モデルは、細胞摂動応答のモデル化から、条件を越えた医療画像の翻訳まで、科学的イメージングタスクをサポートする。 信頼できる生成には、信頼性(実験室、装置、実験条件をまたいだ一般化)と説明責任(予測が信頼性の低いアウト・オブ・ディストリビューションのケースを検出する)の両方が必要である。 不確実量化(UQ)に基づくアプローチは、これらのタスクの有望な候補として機能するが、分配分配生成モデルに対するUQはまだ未定である。 Aleatoric and epistemic uncertaintyを解消する統一UQフレームワークであるBayesian Stochastic Flow Matching (BSFM)を提案する。 確率フローマッチング(Stochastic Flow Matching、SFM)コンポーネントは、拡散項による決定論的フローを強化し、モデル一般化を目に見えないシナリオに改善する。 UQでは、モンテカルロ・ドロップアウトとサンプル効率のよいアンチセティックサンプリングを組み合わせたスケーラブルなベイズ的アプローチ(MCD-Antithetic)を開発し、アウト・オブ・ディストリビューション検出のための効果的な異常スコアを生成する。 様々なシナリオにわたる細胞イメージング(BBBC021, JUMP)と脳のfMRI(Theory of Mind)の実験では、SFMは信頼性を向上し、MDD-Antitheticは説明責任を高める。

関連論文リスト

• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• DAMM-Diffusion: Learning Divergence-Aware Multi-Modal Diffusion Model for Nanoparticles Distribution Prediction [19.362568685267448]
  腫瘍の診断と治療には,ナノ粒子分布の予測が重要である。 textbfDAMM-Diffusionモデル(textbfDAMM-Diffusionモデル)を提案し、ユニモーダル分岐とマルチモーダル分岐から予測結果を適応的に生成する。
  論文  参考訳（メタデータ） (2025-03-12T15:52:05Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• MVG-CRPS: A Robust Loss Function for Multivariate Probabilistic Forecasting [17.212396544233307]
  本稿では,MVG分布の厳密なスコアリングルールであるMVG-CRPSを提案する。 MVG-CRPSはニューラルネットワークの出力の観点からクローズドフォーム表現を認め、ディープラーニングフレームワークにシームレスに統合する。
  論文  参考訳（メタデータ） (2024-10-11T15:10:20Z)
• Cross-conditioned Diffusion Model for Medical Image to Image Translation [22.020931436223204]
  医用画像から画像への変換のためのクロスコンディショニング拡散モデル(CDM)を提案する。 まず、目的のモダリティの分布をモデル化するためのモダリティ固有表現モデル(MRM)を提案する。 そして、MDN(Modality-Decoupled Diffusion Network)を設計し、MRMから効率よく効果的に分布を学習する。
  論文  参考訳（メタデータ） (2024-09-13T02:48:56Z)
• Confidence-aware multi-modality learning for eye disease screening [58.861421804458395]
  眼疾患スクリーニングのための新しい多モード顕在核融合パイプラインを提案する。 モダリティごとに信頼度を測り、マルチモダリティ情報をエレガントに統合する。 パブリックデータセットと内部データセットの両方の実験結果は、我々のモデルが堅牢性に優れていることを示している。
  論文  参考訳（メタデータ） (2024-05-28T13:27:30Z)
• A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
  我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T16:57:21Z)

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。