論文の概要: Quantification of Credal Uncertainty: A Distance-Based Approach

• arxiv url: http://arxiv.org/abs/2603.27270v1
• Date: Sat, 28 Mar 2026 13:50:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.876062
• Title: Quantification of Credal Uncertainty: A Distance-Based Approach
• Title（参考訳）: 生命の不確かさの定量化:距離に基づくアプローチ
• Authors: Xabier Gonzalez-Garcia, Siu Lun Chau, Julian Rodemann, Michele Caprio, Krikamol Muandet, Humberto Bustince, Sébastien Destercke, Eyke Hüllermeier, Yusuf Sale,
• Abstract要約: 統合確率測定(IPMs)の枠組みにおける不確実性対策の一家系を紹介する。 フレームワークを全変動距離でインスタンス化し、マルチクラス分類のためのシンプルで効率的な不確実性対策を得る。 実験結果から,計算コストの低い実効性が確認された。
• 参考スコア（独自算出の注目度）: 34.89687688300613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Credal sets, i.e., closed convex sets of probability measures, provide a natural framework to represent aleatoric and epistemic uncertainty in machine learning. Yet how to quantify these two types of uncertainty for a given credal set, particularly in multiclass classification, remains underexplored. In this paper, we propose a distance-based approach to quantify total, aleatoric, and epistemic uncertainty for credal sets. Concretely, we introduce a family of such measures within the framework of Integral Probability Metrics (IPMs). The resulting quantities admit clear semantic interpretations, satisfy natural theoretical desiderata, and remain computationally tractable for common choices of IPMs. We instantiate the framework with the total variation distance and obtain simple, efficient uncertainty measures for multiclass classification. In the binary case, this choice recovers established uncertainty measures, for which a principled multiclass generalization has so far been missing. Empirical results confirm practical usefulness, with favorable performance at low computational cost.
• Abstract（参考訳）: クレダル集合、すなわち確率測度の閉凸集合は、機械学習におけるアレタリックおよびエピステミックの不確実性を表現する自然な枠組みを提供する。 しかし、これらの2種類の不確実性、特にマルチクラス分類について、どのように定量化するかは未解明のままである。 本稿では, 干潟集合の総量, 照度, 震源不確かさを定量化するための距離ベースアプローチを提案する。 具体的には,IPM(Integrated Probability Metrics)の枠組みの中で,そのような対策のファミリを紹介する。 結果として得られる量には明確な意味解釈があり、自然理論上のデシダータを満足し、IMMの共通の選択に対して計算的に計算可能である。 フレームワークを全変動距離でインスタンス化し、マルチクラス分類のためのシンプルで効率的な不確実性対策を得る。 二項法の場合、この選択は確立された不確実性対策を回復し、これまでは原則化された多クラス一般化が欠落している。 実験結果から,計算コストの低い実効性が確認された。

関連論文リスト

• Efficient Credal Prediction through Decalibration [27.17944683306638]
  本稿では, 相対的可能性の概念を基礎として, 断裂予測を効率的に行う方法を提案する。 提案手法は, 多様なタスクにまたがって, 高い性能でクレーダル集合を生成することを示す。 特に,TabPFNやCLIPなどのモデルに対して,致命的な予測を示す。
  論文  参考訳（メタデータ） (2026-03-09T15:30:10Z)
• Credal Ensemble Distillation for Uncertainty Quantification [12.36665123584814]
  本研究では, 深部アンサンブルを1つのモデル CREDIT に圧縮し, 分類処理を行うフレームワークとして, クレダルアンサンブル蒸留法を提案する。 CEDは、いくつかの既存のベースラインよりも優れた、あるいは同等の不確実性推定を実現し、深いアンサンブルよりも推論オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2025-11-14T14:53:42Z)
• Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation [68.106428321492]
  大規模言語モデル (LLM) は高度な推論能力を示し、ロボットが自然言語の命令を理解し、適切な接地で高レベルな計画を生成することができる。 LLMの幻覚は重大な課題であり、しばしば過度に信頼され、不一致または安全でない計画に繋がる。 本研究は, 信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性評価を別々に評価するものである。
  論文  参考訳（メタデータ） (2025-10-09T10:26:58Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules [19.221081896134567]
  不確実性表現と定量化は機械学習において最重要である。 本稿では,適切なスコアリングルールに基づいて,アレータリックおよび(現状)不確実性の定量化のための尺度を提案する。
  論文  参考訳（メタデータ） (2024-04-18T14:20:19Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• What is Flagged in Uncertainty Quantification? Latent Density Models for Uncertainty Categorization [68.15353480798244]
  不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。 近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。 分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-11T19:47:00Z)
• Ensemble-based Uncertainty Quantification: Bayesian versus Credal Inference [0.0]
  我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。 具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。 拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
  論文  参考訳（メタデータ） (2021-07-21T22:47:24Z)

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。