論文の概要: Credal Concept Bottleneck Models for Epistemic-Aleatoric Uncertainty Decomposition

• arxiv url: http://arxiv.org/abs/2604.24170v1
• Date: Mon, 27 Apr 2026 08:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.809389
• Title: Credal Concept Bottleneck Models for Epistemic-Aleatoric Uncertainty Decomposition
• Title（参考訳）: てんかん-肺動脈不確かさ分解のためのクレダル概念ボトルネックモデル
• Authors: Tanmoy Mukherjee, Thomas Bailleux, Pierre Marquis, Zied Bouraoui,
• Abstract要約: 概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の解釈可能な概念によって予測される。 CBMは典型的に、てんかんの不確実性とアレタリック不確実性を説明する点概念の確率を出力する。 我々は,概念の不確実性を構築によって分解するフレームワークであるCREDENCEを紹介する。
• 参考スコア（独自算出の注目度）: 22.644661427062726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concept Bottleneck Models (CBMs) predict through human-interpretable concepts, but they typically output point concept probabilities that conflate epistemic uncertainty (reducible model underspecification) with aleatoric uncertainty (irreducible input ambiguity). This makes concept-level uncertainty hard to interpret and, more importantly, hard to act upon. We introduce CREDENCE (Credal Ensemble Concept Estimation), a CBM framework that decomposes concept uncertainty by construction. CREDENCE represents each concept as a credal prediction (a probability interval), derives epistemic uncertainty from disagreement across diverse concept heads, and estimates aleatoric uncertainty via a dedicated ambiguity output trained to match annotator disagreement when available. The resulting signals support prescriptive decisions: automate low-uncertainty cases, prioritize data collection for high-epistemic cases, route high-aleatoric cases to human review, and abstain when both are high. Across several tasks, we show that epistemic uncertainty is positively associated with prediction errors, whereas aleatoric uncertainty closely tracks annotator disagreement, providing guidance beyond error correlation. Our implementation is available at the following link: https://github.com/Tankiit/Credal_Sets/tree/ensemble-credal-cbm
• Abstract（参考訳）: 概念ボトルネックモデル(CBM)は、人間の解釈可能な概念を通して予測するが、一般的には、認識的不確実性(再現不可能なモデル不特定性)とアレター的不確実性(認識不能な入力曖昧さ)を区別する点概念の確率を出力する。 これにより、概念レベルの不確実性が解釈しにくくなり、さらに重要なのは、実行しにくくなります。 CREDENCE(Credal Ensemble Concept Estimation)は,概念の不確実性を構築によって分解するCBMフレームワークである。 クレデンス(CREDENCE)は、それぞれの概念を(確率区間)クレダル予測として表現し、様々な概念ヘッド間の不一致から疫学的な不確実性を導き出し、利用可能なアノテータの不一致に適合するように訓練された専用あいまいさ出力を通じて、アレター的不確かさを推定する。 結果として得られた信号は、低不確実性ケースの自動化、高精細性ケースのデータ収集の優先順位付け、高精細性ケースの人的レビューへのルート、高精細度ケースの排除など、規範的な決定をサポートする。 いくつかの課題において, てんかんの不確実性は予測誤差と正の相関を示す一方で, 失語症不確実性はアノテータの不一致を密接に追跡し, 誤り相関を超えるガイダンスを提供する。 https://github.com/Tankiit/Credal_Sets/tree/ensemble-credal-cbm

関連論文リスト

• CUPID: A Plug-in Framework for Joint Aleatoric and Epistemic Uncertainty Estimation with a Single Model [1.6855257501750571]
  CUPID (Comprehensive Uncertainty Plug-in estImation moDel) は、ベースモデルの変更や再訓練なしに、動脈とてんかんの不確実性を共同で推定する汎用モジュールである。 CUPIDは分類,回帰,アウト・オブ・ディストリビューション検出など,様々なタスクで評価される。 その結果、CUPIDは、不確実性の起源に関する階層的な洞察を提供しながら、一貫して競争性能を提供することがわかった。
  論文  参考訳（メタデータ） (2026-03-11T13:18:10Z)
• Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty [38.040646841317965]
  本研究では,不確かさを予測分布の集合として表すクレダルセットの定式化を提案する。 我々はこのアイデアを2つの不整合不確実性ヘッドを持つ変分クレダル概念ボトルネックモデルでインスタンス化する。
  論文  参考訳（メタデータ） (2026-02-11T10:54:57Z)
• 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)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Identifying Drivers of Predictive Aleatoric Uncertainty [2.5311562666866494]
  本稿では,予測的アレタリック不確実性を説明するための簡単なアプローチを提案する。 ガウス出力分布にニューラルネットワークを適用することにより,回帰の不確かさを予測分散として推定する。 このアプローチは、複雑な公表されたアプローチよりも確実に不確実性の影響を説明することができる。
  論文  参考訳（メタデータ） (2023-12-12T13:28:53Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• 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)
• Probabilistic Concept Bottleneck Models [26.789507935869107]
  解釈可能なモデルは、人間の解釈可能な方法で決定を下すように設計されている。 本研究では,信頼性を損なうようなあいまいさの問題に対処する。 確率論的概念ボトルネックモデル(ProbCBM)を提案する。
  論文  参考訳（メタデータ） (2023-06-02T14:38:58Z)
• 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)

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。