Fugu-MT 論文翻訳(概要): Possibilistic Predictive Uncertainty for Deep Learning

論文の概要: Possibilistic Predictive Uncertainty for Deep Learning

arxiv url: http://arxiv.org/abs/2605.00600v1
Date: Fri, 01 May 2026 12:14:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-04 17:43:28.942436
Title: Possibilistic Predictive Uncertainty for Deep Learning
Title（参考訳）: 深層学習における確率論的予測の不確かさ
Authors: Yao Ni, Jeremie Houssineau, Yew Soon Ong, Piotr Koniusz,
Abstract要約: Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。 DAPPrは可能性理論を利用した原則的なフレームワークである。この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
参考スコア（独自算出の注目度）: 75.00607359322863
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep neural networks achieve impressive results across diverse applications, yet their overconfidence on unseen inputs necessitates reliable epistemic uncertainty modelling. Existing methods for uncertainty modelling face a fundamental dilemma: Bayesian approaches provide principled estimates but remain computationally prohibitive, while efficient second-order predictors lack rigorous derivations connecting their specific objectives to epistemic uncertainty quantification. To resolve this dilemma, we introduce Dirichlet-approximated possibilistic posterior predictions (DAPPr), a principled framework leveraging possibility theory. We define a possibilistic posterior over parameters, projects this posterior to the prediction space via supremum operators, and approximates the projected posterior using learnable Dirichlet possibility functions. This projection-and-approximation strategy yields a simple training objective with closed-form solutions. Extensive experiments across diverse benchmarks demonstrate that our approach achieves competitive or superior uncertainty quantification performance compared to state-of-the-art evidential deep learning methods while maintaining both principled derivation and computational efficiency. Code will be available at https://github.com/MaxwellYaoNi/DAPPr.
Abstract（参考訳）: ディープニューラルネットワークは多様なアプリケーションにまたがって印象的な結果をもたらすが、その不明瞭な入力に対する自信過剰は、信頼できるてんかんの不確実性モデリングを必要とする。ベイズ的アプローチは、原理的な見積もりを提供するが、計算的に禁止される一方で、効率的な2階述語予測器は、その特定の目的と疫学的な不確実性定量化を結び付ける厳密な導出を欠いている。このジレンマを解決するために、可能性理論を利用した原理的枠組みであるディリクレ近似の確率的後続予測(DAPPr)を導入する。パラメーターを確率論的に定義し、この後方を最大演算子を通して予測空間に投影し、学習可能なディリクレ可能性関数を用いて投影された後方を近似する。この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。各種ベンチマークの総合的な実験により,本手法は,原理的導出と計算効率の両面を維持しつつ,最先端の顕在的深層学習法と比較して,競合的あるいは優れた不確実性定量化性能を達成できることが示されている。コードはhttps://github.com/MaxwellYaoNi/DAPPr.comから入手できる。

関連論文リスト

Ensemble-Based Dirichlet Modeling for Predictive Uncertainty and Selective Classification [1.77898701462905]
Evidential Deep Learningは、1回のパスで不確実性推定を発生させることで、制限に対処することを目指している。本研究では、モーメント推定器の手法をソフトマックス出力のアンサンブルに適用することにより、代替のディリクレパラメータ推定戦略を導入する。これらのアンサンブルから導かれるディリクレ推定の安定性と予測的不確実性は、下流の不確実性誘導アプリケーションにおいてより強い性能に変換されることを示す。
論文参考訳（メタデータ） (2026-04-07T16:28:20Z)
Distribution-Free Robust Predict-Then-Optimize in Function Spaces [27.389115468383665]
有限次元空間上の典型的な共形予測保証を無限次元ソボレフ空間に拡張する。このような不確実性がどのように活用され、エンジニアリング設計タスクを堅牢に定式化し、その結果のロバストな最適設計の準最適性を特徴付けるかを示す。
論文参考訳（メタデータ） (2026-02-09T02:36:05Z)
The Coverage Principle: How Pre-Training Enables Post-Training [70.25788947586297]
予備学習が最終モデルの成功をどう形作るかを検討する。下流の性能予測におけるカバレッジのパワーを説明するメカニズムを明らかにする。
論文参考訳（メタデータ） (2025-10-16T17:53:50Z)
End-to-End Probabilistic Framework for Learning with Hard Constraints [43.297232073870866]
ProbHardE2Eは,ハード操作・物理制約を組み込んだ確率予測フレームワークである。我々の手法は、幅広いニューラルネットワークアーキテクチャと組み合わせられる新しい微分可能確率射影層(DPPL)を用いている。
論文参考訳（メタデータ） (2025-06-08T05:29:50Z)
Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
論文参考訳（メタデータ） (2024-02-13T11:22:59Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Fast Uncertainty Estimates in Deep Learning Interatomic Potentials [0.0]
本研究では,単一ニューラルネットワークを用いて,アンサンブルを必要とせずに予測不確実性を推定する手法を提案する。本研究では,不確実性の推定値の品質が深層アンサンブルから得られた値と一致することを示す。
論文参考訳（メタデータ） (2022-11-17T20:13:39Z)
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)
Post-hoc loss-calibration for Bayesian neural networks [25.05373000435213]
本研究では, 近似的後続予測分布の補正手法を開発し, 高ユーティリティな意思決定を推奨する。従来の研究とは対照的に、我々のアプローチは近似推論アルゴリズムの選択に非依存である。
論文参考訳（メタデータ） (2021-06-13T13:53:27Z)

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。