論文の概要: Learning with Embedded Linear Equality Constraints via Variational Bayesian Inference

• arxiv url: http://arxiv.org/abs/2604.24911v1
• Date: Mon, 27 Apr 2026 18:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.5582
• Title: Learning with Embedded Linear Equality Constraints via Variational Bayesian Inference
• Title（参考訳）: 変分ベイズ推論による線形等式制約の組込みによる学習
• Authors: Matthew Marsh, Benoît Chachuat, Antonio del Rio Chanona,
• Abstract要約: 本稿では,入力と出力の線形関係を学習プロセスに組み込むためのベイズ的枠組みを提案する。 電圧・エネルギーバランスを考慮した単一粒子電池モデルの学習方法について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine Learning is becoming more prevalent in science and engineering, but many approaches do not provide meaningful uncertainty estimates and predictions may also violate known physical knowledge. We propose a Bayesian framework to embed linear relationships across inputs and outputs into the learning process, whilst characterizing full predictive uncertainty over both the model parameters and the domain knowledge. We evaluated our method on learning the single particle battery model subject to voltage and energy balances, showing its ability to provide reduced credible intervals and constraint violations compared to standard Bayesian neural networks based on variational inference.
• Abstract（参考訳）: 機械学習は科学や工学において普及しつつあるが、多くのアプローチでは有意義な不確実性評価を提供しておらず、予測は既知の物理的知識にも違反する可能性がある。 本稿では,モデルパラメータとドメイン知識の両方に対する完全な予測不確実性を特徴付けるとともに,入力と出力の線形関係を学習プロセスに組み込むベイズフレームワークを提案する。 本研究では,電圧・エネルギーバランスを考慮した単一粒子電池モデルの学習方法について検討し,変分推論に基づく標準ベイズニューラルネットワークと比較して信頼区間と制約違反を低減できることを示した。

関連論文リスト

• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Calibration-Aware Bayesian Learning [37.82259435084825]
  本稿では、キャリブレーション対応ベイズニューラルネットワーク(CA-BNN)と呼ばれる統合フレームワークを提案する。 ベイズ学習のように変分分布を最適化しながら、データ依存あるいはデータ非依存の正則化をそれぞれ適用する。 予測キャリブレーション誤差(ECE)と信頼性図を用いて,提案手法の利点を検証した。
  論文  参考訳（メタデータ） (2023-05-12T14:19:15Z)
• Variational Inference for Bayesian Neural Networks under Model and Parameter Uncertainty [12.211659310564425]
  BNNにおける構造学習の枠組みとしてモデル不確実性の概念を適用した。 本稿では,限界包摂確率の再パラメータ化による拡張性のある変分推論手法を提案する。
  論文  参考訳（メタデータ） (2023-05-01T16:38:17Z)
• Bayesian Learning for Dynamic Inference [2.2843885788439793]
  いくつかの逐次推定問題では、推定される量の将来値は、その現在の値の推定に依存する。 本研究では,未知量生成モデルがランダムに描画されることを前提として,動的推論のためのベイズ学習問題を定式化する。 我々は、推論損失を最小限に抑えるために、オフラインとオンラインの両方で最適なベイズ学習ルールを導出する。
  論文  参考訳（メタデータ） (2022-12-30T19:16:23Z)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Evaluating Sensitivity to the Stick-Breaking Prior in Bayesian Nonparametrics [85.31247588089686]
  変分ベイズ法はベイズモデルのパラメトリック的および非パラメトリック的側面に対して感性が得られることを示す。 ベイズ感度分析に対する変動的アプローチの理論的および経験的支援を提供する。
  論文  参考訳（メタデータ） (2021-07-08T03:40:18Z)
• Constrained Neural Ordinary Differential Equations with Stability Guarantees [1.1086440815804224]
  代数的非線形性を持つ離散常微分方程式をディープニューラルネットワークとしてモデル化する方法を示す。 我々は、重みの固有値に課される暗黙の制約に基づいて、ネットワーク層の安定性を保証する。 オープンループシミュレーションを用いて,学習したニューラルネットワークの予測精度を検証した。
  論文  参考訳（メタデータ） (2020-04-22T22:07:57Z)

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。