論文の概要: Uncertainty Estimation via Hyperspherical Confidence Mapping

• arxiv url: http://arxiv.org/abs/2605.05964v1
• Date: Thu, 07 May 2026 10:11:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.688828
• Title: Uncertainty Estimation via Hyperspherical Confidence Mapping
• Title（参考訳）: 超球面信頼度マッピングによる不確かさ推定
• Authors: Eunseo Choi, Ho-Yeon Kim, Jaewon Lee, Taeyong jo, Myungjun lee, Heejin Ahn,
• Abstract要約: ニューラルネットワークの予測の不確実性を定量化することは、自律運転、ヘルスケア、製造といった高度な領域にとって不可欠である。 本研究では,サンプリングフリーかつ分散フリーな不確実性推定のための原則的フレームワークである超球面信頼度マッピングを提案する。 多様なベンチマークや実世界の産業タスクによる実験は、HCMがアンサンブルや明白なアプローチと一致しているか、あるいは超えていることを示している。
• 参考スコア（独自算出の注目度）: 7.467483743345029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying uncertainty in neural network predictions is essential for high-stakes domains such as autonomous driving, healthcare, and manufacturing. While existing approaches often depend on costly sampling or restrictive distributional assumptions, we propose Hyperspherical Confidence Mapping (HCM), a simple yet principled framework for sampling-free and distribution-free uncertainty estimation. HCM decomposes outputs into a magnitude and a normalized direction vector constrained to lie on the unit hypersphere, enabling a novel interpretation of uncertainty as the degree of violation of this geometric constraint. This yields deterministic and interpretable estimates applicable to both regression and classification. Experiments across diverse benchmarks and real-world industrial tasks demonstrate that HCM matches or surpasses ensemble and evidential approaches, with far lower inference cost and stronger confidence-error alignment. Our results highlight the power of geometric structure in uncertainty estimation and position HCM as a versatile alternative to conventional techniques.
• Abstract（参考訳）: ニューラルネットワークの予測の不確実性を定量化することは、自律運転、ヘルスケア、製造といった高度な領域にとって不可欠である。 既存の手法は、しばしばコストのかかるサンプリングや限定的な分布仮定に依存するが、サンプリング不要かつ分散不要な不確実性推定のための単純なフレームワークである超球面信頼マッピング(HCM)を提案する。 HCMは出力を単位超球上に存在するように制約された大きさと正規化方向ベクトルに分解し、この幾何学的制約の違反の度合いとして不確かさの新たな解釈を可能にする。 これにより、回帰と分類の両方に適用できる決定論的および解釈可能な推定が得られる。 多様なベンチマークと実世界の産業タスクによる実験は、HCMがより低い推論コストと強い信頼とエラーの整合性を持ち、アンサンブルと明白なアプローチに一致または超えていることを示している。 その結果,不確実性推定における幾何学的構造のパワーと,従来の手法に代わる汎用的手法としてのHCMの位置づけを強調した。

関連論文リスト

• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Stabilized Maximum-Likelihood Iterative Quantum Amplitude Estimation for Structural CVaR under Correlated Random Fields [0.0]
  Conditional Value-at-Risk (CVaR) は構造力学における中心的なテールリスク尺度である。 本研究では,CVaR評価を信頼性制約付き最大形振幅推定問題として用いた量子強化推論フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-02-10T14:53:26Z)
• ProbFM: Probabilistic Time Series Foundation Model with Uncertainty Decomposition [0.12489632787815884]
  Time Series Foundation Models (TSFMs) はゼロショット財務予測のための有望なアプローチとして登場した。 現在のアプローチでは、制限的な分布仮定に依存したり、異なる不確実性の源を詳述したり、原則化された校正機構が欠如している。 本稿では,Deep Evidential Regression (DER) を利用した変圧器を用いた新しい確率的フレームワーク ProbFM を提案する。
  論文  参考訳（メタデータ） (2026-01-15T17:02:06Z)
• Generative Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
  コンフォーマル予測は、保証されたカバレッジでモデルに依存しない不確実性定量化を提供する。 ベクトル化された非整合性スコアを持つ生成共形予測フレームワークを提案する。 我々は密度ランクの不確かさ球を用いた適応不確かさ集合を構築する。
  論文  参考訳（メタデータ） (2024-10-17T16:37:03Z)
• 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)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• 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)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。