論文の概要: Accurate and Reliable Uncertainty Estimates for Deterministic Predictions Extensions to Under and Overpredictions
- arxiv url: http://arxiv.org/abs/2604.08755v1
- Date: Thu, 09 Apr 2026 20:39:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-13 17:57:53.573979
- Title: Accurate and Reliable Uncertainty Estimates for Deterministic Predictions Extensions to Under and Overpredictions
- Title（参考訳）: 決定論的予測のための正確で信頼性の高い不確かさ推定
- Authors: Rileigh Bandy, Enrico Camporeale, Andong Hu, Thomas Berger, Rebecca Morrison,
- Abstract要約: 我々はACCurate and Reliable Uncertainty Estimate (ACCRUE)フレームワークを拡張し、入力依存の非ガウスの不確実性分布を学習する。
提案手法は,入力依存の不確実性構造を捕捉し,既存手法と比較して確率的予測を改善する。
- 参考スコア（独自算出の注目度）: 0.5702909326640887
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational models support high-stakes decisions across engineering and science, and practitioners increasingly seek probabilistic predictions to quantify uncertainty in such models. Existing approaches generate predictions either by sampling input parameter distributions or by augmenting deterministic outputs with uncertainty representations, including distribution-free and distributional methods. However, sampling-based methods are often computationally prohibitive for real-time applications, and many existing uncertainty representations either ignore input dependence or rely on restrictive Gaussian assumptions that fail to capture asymmetry and heavy-tailed behavior. Therefore, we extend the ACCurate and Reliable Uncertainty Estimate (ACCRUE) framework to learn input-dependent, non-Gaussian uncertainty distributions, specifically two-piece Gaussian and asymmetric Laplace forms, using a neural network trained with a loss function that balances predictive accuracy and reliability. Through synthetic and real-world experiments, we show that the proposed approach captures an input-dependent uncertainty structure and improves probabilistic forecasts relative to existing methods, while maintaining flexibility to model skewed and non-Gaussian errors.
- Abstract（参考訳）: 計算モデルは、工学と科学をまたいだ高い意思決定をサポートし、実践者は、そのようなモデルにおける不確実性を定量化する確率論的予測をますます求めている。
既存のアプローチは、入力パラメータの分布をサンプリングするか、分布のない分布法や分布法を含む不確実性表現で決定論的出力を増大させることによって予測を生成する。
しかし、サンプリングベースの手法は、しばしばリアルタイムアプリケーションでは計算的に禁止され、多くの既存の不確実性表現は入力依存を無視したり、非対称性や重み付けの振る舞いを捉えない制限的なガウス的仮定に依存している。
そこで我々はACCurate and Reliable Uncertainty Estimate (ACCRUE) フレームワークを拡張し、予測精度と信頼性のバランスをとる損失関数をトレーニングしたニューラルネットワークを用いて、入力依存の非ガウス的不確実性分布、特にガウス的および非対称ラプラス形式を学習する。
合成および実世界の実験を通して,提案手法は入力依存の不確実性構造を捕捉し,既存の手法と比較して確率的予測を改善するとともに,歪曲誤差や非ガウス誤差のモデル化に柔軟性を維持していることを示す。
関連論文リスト
- Accounting for Uncertainty in Machine Learning Surrogates: A Gauss-Hermite Quadrature Approach to Reliability Analysis [0.9381936349291689]
本研究では,ネストした不確かさを分離し,より正確な信頼性解析を可能にするガウス・ハーマイト二次手法を提案する。
提案手法は,モデルの不確実性を無視する従来の手法よりも信頼性の高い予測を導出しながら,計算効率を維持する。
論文 参考訳（メタデータ） (2025-09-11T12:15:16Z) - Active operator learning with predictive uncertainty quantification for partial differential equations [6.519088943440059]
本研究では,訓練中に観測されたモデル誤差に校正された予測的不確実性推定を用いたディープオペレータネットワーク(DeepONets)の不確実性定量化手法を開発した。
不確実性フレームワークは、既存のアンサンブルアプローチとは対照的に、単一のネットワークを使用して動作し、トレーニングと推論中に最小限のオーバーヘッドを導入する。
一連の偏微分方程式(PDE)問題に対する不確実性を考慮したモデルの評価を行い、モデル予測が偏りがなく、非歪で、PDEに対する解を正確に再現していることを示す。
論文 参考訳（メタデータ） (2025-03-05T04:48:14Z) - Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。
データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-27T21:46:42Z) - Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳（メタデータ） (2024-02-13T09:40:19Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model [22.428737156882708]
再生可能エネルギー源の統合と、新型コロナウイルスのパンデミックなどの外部イベントの発生により、負荷予測の不確実性が急速に高まっている。
本稿では, エピステミック不確かさを推定するための拡散型Seq2Seq構造を提案し, 強靭性付加コーシー分布を用いてアレタリック不確かさを推定する。
論文 参考訳（メタデータ） (2023-05-31T05:04:50Z) - Robust uncertainty estimates with out-of-distribution pseudo-inputs
training [0.0]
我々は、信頼性のあるデータを与えられていない不確実性予測器を明示的に訓練することを提案する。
データ無しでは訓練できないので、入力空間の情報的低密度領域において擬似入力を生成するメカニズムを提供する。
総合的な評価により、様々なタスクにおける最先端性能を維持しながら、不確実性の頑健かつ解釈可能な予測が得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T17:15:07Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - 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)
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。