論文の概要: Trustworthy deep domain adaptation for wearable photoplethysmography signal analysis with decision-theoretic uncertainty quantification

• arxiv url: http://arxiv.org/abs/2604.17480v1
• Date: Sun, 19 Apr 2026 15:12:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.547174
• Title: Trustworthy deep domain adaptation for wearable photoplethysmography signal analysis with decision-theoretic uncertainty quantification
• Title（参考訳）: 決定論的不確実性定量化を用いたウェアラブル光胸腺画像信号解析のための信頼できる深部ドメイン適応
• Authors: Ciaran Bench,
• Abstract要約: 原則として、深い生成モデルを用いてドメイン適応を行うことができる。 テストデータの入力特徴表現を、別々の識別モデルのトレーニングデータと整合させることができる。 これにより、テストデータにおける識別モデルの性能が向上する。 しかし、生成モデルは、生成したデータの品質を低下させる可能性のある幻覚や人工物を生成する傾向にある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In principle, deep generative models can be used to perform domain adaptation; i.e. align the input feature representations of test data with that of a separate discriminative model's training data. This can help improve the discriminative model's performance on the test data. However, generative models are prone to producing hallucinations and artefacts that may degrade the quality of generated data, and therefore, predictive performance when processed by the discriminative model. While uncertainty quantification can provide a means to assess the quality of adapted data, the standard framework for evaluating the quality of predicted uncertainties may not easily extend to generative models due to the common lack of ground truths (among other reasons). Even with ground truths, this evaluation is agnostic to how the generated outputs are used on the downstream task, limiting the extent to which the uncertainty reliability analysis provides insights about the utility of the uncertainties with respect to the intended use case of the adapted examples. Here, we describe how decision-theoretic uncertainty quantification can address these concerns and provide a convenient framework for evaluating the trustworthiness of generated outputs, in particular, for domain adaptation. We consider a case study in photoplethysmography time series denoising for Atrial Fibrillation classification. This formalises a well-known heuristic method of using a downstream classifier to assess the quality of generated outputs.
• Abstract（参考訳）: 原則として、深層生成モデルを用いてドメイン適応を行うことができる。すなわち、テストデータの入力特徴表現と、別の識別モデルのトレーニングデータとの整合性である。 これは、テストデータにおける識別モデルのパフォーマンスを改善するのに役立つ。 しかし、生成モデルは、生成したデータの品質を低下させる可能性のある幻覚や人工物を生成する傾向があり、したがって、識別モデルによって処理された際の予測性能が低下する。 不確実性定量化は、適応されたデータの品質を評価する手段を提供することができるが、予測された不確実性の品質を評価するための標準フレームワークは、(他の理由から)共通の真実の欠如により、生成モデルに容易に拡張できない可能性がある。 基礎的な事実であっても、この評価は、下流のタスクで生成した出力がどのように使用されるかに非依存であり、不確実性信頼性分析が適用例の意図されたユースケースに対する不確実性の有用性についての洞察を提供する範囲を制限する。 ここでは、意思決定理論の不確実性定量化がこれらの懸念にどう対処できるかを説明し、生成した出力の信頼性、特にドメイン適応性を評価するための便利なフレームワークを提供する。 心房細動分類に用いた光胸腺撮影の時系列解析を事例として考察する。 これにより、ダウンストリーム分類器を用いて生成された出力の品質を評価する、よく知られたヒューリスティックな手法が定式化される。

関連論文リスト

• When Active Learning Fails, Uncalibrated Out of Distribution Uncertainty Quantification Might Be the Problem [2.3348738689737503]
  材料発見におけるアクティブラーニングキャンペーンにおいて,不確かさ推定と校正手法の評価を行った。 不確かさキャリブレーション法は、ドメイン内データからドメイン外データへ可変的に一般化することを発見した。 質の悪い不確実性の影響は、ランダムな森林と、同じタスクのために同じデータでトレーニングされたeXtreme Gradient Boostingモデルに対して持続する。
  論文  参考訳（メタデータ） (2025-11-21T20:17:46Z)
• Suitability Filter: A Statistical Framework for Classifier Evaluation in Real-World Deployment Settings [33.080398349395686]
  適合性信号を利用して性能劣化を検出する新しいフレームワークを提案する。 テストデータとユーザデータの両方に適合する信号を集約し、これらの経験的分布を比較する。 これにより、高スループットアプリケーションにおける潜在的な障害の積極的な緩和が可能となる。
  論文  参考訳（メタデータ） (2025-05-28T13:37:04Z)
• Joint Source-Environment Adaptation of Data-Driven Underwater Acoustic Source Ranging Based on Model Uncertainty [4.68725358778892]
  事前訓練されたディープラーニングモデルを新しい未知の環境に適用することは、水中の音像定位において大きな課題である。 事前学習したモデルの性能は、トレーニングデータとテストデータのミスマッチに悩まされているが、一般的に、ミスマッチがより多い環境では、高い不確実性を示す。 本研究では,不確実なサンプルのラベル付けを改善するために,特定のサンプルを用いて新しい環境にモデルを適応させる手法を実装した。
  論文  参考訳（メタデータ） (2025-03-30T00:00:17Z)
• Epistemic Uncertainty for Generated Image Detection [107.62647907393377]
  本稿では,創成モデルの時代において重要なセキュリティ問題に対処することを目的とした,てんかん不確実性によるAI生成画像検出のための新しいフレームワークを提案する。 我々の重要な洞察は、トレーニングとテストデータの分布の相違が、機械学習モデルのエピステマティック不確実性空間に顕著に現れていることに起因している。
  論文  参考訳（メタデータ） (2024-12-08T11:32:25Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
  本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。 容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。 モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
  論文  参考訳（メタデータ） (2021-03-18T11:34:08Z)
• 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。