論文の概要: UQ-SHRED: uncertainty quantification of shallow recurrent decoder networks for sparse sensing via engression

• arxiv url: http://arxiv.org/abs/2604.01305v1
• Date: Wed, 01 Apr 2026 18:18:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:09.759615
• Title: UQ-SHRED: uncertainty quantification of shallow recurrent decoder networks for sparse sensing via engression
• Title（参考訳）: UQ-SHRED:エングレースによるスパースセンシングのための浅い再帰デコーダネットワークの不確実性定量化
• Authors: Mars Liyao Gao, Yuxuan Bao, Amy S. Rude, Xinwei Shen, J. Nathan Kutz,
• Abstract要約: UQ-SHREDは、ニューラルネットワークに基づく分布回帰(engression)と呼ばれる不確実性を提供するスパースセンシング問題のためのフレームワークである。 UQ-SHREDは最小限の計算オーバーヘッドで予測分布を生成し、再トレーニングや追加のネットワーク構造なしに単一のアーキテクチャを通して入力にノイズを注入するだけでよい。 UQ-SHREDは、流れ、大気力学、神経科学、天体物理学を含む乱流および実生活のデータセットについて、よく校正された信頼区間を持つ分布スパースを提供する。
• 参考スコア（独自算出の注目度）: 2.7314186822869018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing high-dimensional spatiotemporal fields from sparse sensor measurements is critical in a wide range of scientific applications. The SHallow REcurrent Decoder (SHRED) architecture is a recent state-of-the-art architecture that reconstructs high-quality spatial domain from hyper-sparse sensor measurement streams. An important limitation of SHRED is that in complex, data-scarce, high-frequency, or stochastic systems, portions of the spatiotemporal field must be modeled with valid uncertainty estimation. We introduce UQ-SHRED, a distributional learning framework for sparse sensing problems that provides uncertainty quantification through a neural network-based distributional regression called engression. UQ-SHRED models the uncertainty by learning the predictive distribution of the spatial state conditioned on the sensor history. By injecting stochastic noise into sensor inputs and training with an energy score loss, UQ-SHRED produces predictive distributions with minimal computational overhead, requiring only noise injection at the input and resampling through a single architecture without retraining or additional network structures. On complicated synthetic and real-life datasets including turbulent flow, atmospheric dynamics, neuroscience and astrophysics, UQ-SHRED provides a distributional approximation with well-calibrated confidence intervals. We further conduct ablation studies to understand how each model setting affects the quality of the UQ-SHRED performance, and its validity on uncertainty quantification over a set of different experimental setups.
• Abstract（参考訳）: スパースセンサ測定から高次元時空間場を再構築することは、幅広い科学的応用において重要である。 SHRED(SHallow Recurrent Decoder)アーキテクチャは、ハイパースパースセンサー計測ストリームから高品質な空間領域を再構築する最新の最先端アーキテクチャである。 SHREDの重要な制限は、複雑、データ、高周波、確率的なシステムでは、時空間の一部が妥当な不確実性推定でモデル化されなければならないことである。 UQ-SHREDは,ニューラルネットワークに基づく分布回帰(engression)と呼ばれる分散回帰(distributal regression)を通じて不確実な定量化を提供する,スパースセンシング問題のための分散学習フレームワークである。 UQ-SHREDはセンサ履歴に基づく空間状態の予測分布を学習することにより不確実性をモデル化する。 UQ-SHREDはセンサ入力に確率ノイズを注入し、エネルギー損失のトレーニングを行うことで、最小の計算オーバーヘッドで予測分布を生成する。 乱流、大気力学、神経科学、天体物理学を含む複雑な合成および現実のデータセットについて、UQ-SHREDは、よく校正された信頼区間を持つ分布近似を提供する。 さらに、各モデル設定がUQ-SHRED性能の質にどのように影響するかを理解するためのアブレーション研究を行い、その妥当性が異なる実験装置の集合に対する不確かさの定量化に有効であることを示す。

関連論文リスト

• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Deep Learning-Based Early-Stage IR-Drop Estimation via CNN Surrogate Modeling [0.0]
  従来のIR-drop分析は、高精度だが計算コストの大きい物理ベースのサインオフツールに依存している。 CNNを用いた早期IR-drop推定のための深層学習に基づくサロゲートモデリング手法を提案する。 提案するフレームワークは,高額なサインオフ分析に先立って,設計者が迅速なIR-dropインサイトを提供するための補完的なアーリーステージ解析ツールとして意図されている。
  論文  参考訳（メタデータ） (2026-01-30T08:29:45Z)
• RareFlow: Physics-Aware Flow-Matching for Cross-Sensor Super-Resolution of Rare-Earth Features [27.505614464585538]
  本稿では,ORD(out-of-distribution)のロバスト性を考慮した物理対応SRフレームワークであるRareFlowを紹介する。 Gated ControlNetは低解像度入力からの微細な幾何学的忠実度を保ち、テキストプロンプトは複雑な特徴を合成するための意味的なガイダンスを提供する。 ブラインド評価において、地球物理学の専門家は、我々のモデルの出力は、基礎となる真理像の忠実さに近づき、最先端のベースラインを著しく上回っていると評価した。
  論文  参考訳（メタデータ） (2025-10-27T19:56:43Z)
• Distribution-Free Uncertainty-Aware Virtual Sensing via Conformalized Neural Operators [1.7864593554171284]
  Conformalized Monte Carlo Operator (CMCO)は、ニューラルネットワークに基づく仮想センシングを、キャリブレーションされた、分布のない予測間隔で変換する。 CMCOは、リトレーニング、アンサンブル、カスタムロス設計なしで、空間的に解決された不確実性推定を達成する。 このブレークスルーは、ニューラル演算子のための汎用的なプラグアンドプレイUQソリューションを提供し、デジタルツインにおけるリアルタイムで信頼性の高い推論をアンロックし、センサーフュージョン、安全クリティカルな監視を提供する。
  論文  参考訳（メタデータ） (2025-07-15T04:26:40Z)
• Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks [3.1484174280822845]
  本稿では, 簡易な実装, 効率的, 堅牢な性能で, センサとモデル識別の問題を共同で解決する手法を提案する。 SINDy-SHREDはGated Recurrent Unitsを使用してスパースセンサー計測と浅いネットワークデコーダをモデル化し、潜在状態空間からフルタイムフィールドを再構築する。 本研究では, 乱流, 海面温度の実環境センサ計測, 直接ビデオデータなどのPDEデータに関する系統的研究を行った。
  論文  参考訳（メタデータ） (2025-01-23T02:18:13Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Model-based Deep Learning Receiver Design for Rate-Splitting Multiple Access [65.21117658030235]
  本研究では,モデルベース深層学習(MBDL)に基づく実用的なRSMA受信機の設計を提案する。 MBDL受信機は、符号なしシンボル誤り率(SER)、リンクレベルシミュレーション(LLS)によるスループット性能、平均トレーニングオーバーヘッドの観点から評価される。 その結果,MBDLはCSIRが不完全なSIC受信機よりも優れていた。
  論文  参考訳（メタデータ） (2022-05-02T12:23:55Z)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:57:23Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)

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。