論文の概要: Uncertainty in Physics and AI: Taxonomy, Quantification, and Validation
- arxiv url: http://arxiv.org/abs/2605.10378v1
- Date: Mon, 11 May 2026 11:21:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.761077
- Title: Uncertainty in Physics and AI: Taxonomy, Quantification, and Validation
- Title（参考訳）: 物理学とAIの不確実性:分類学、定量化、検証
- Authors: Manuel Haußmann, Ramon Winterhalder, Maria Ubiali,
- Abstract要約: 本稿では、物理学におけるMLの不確実性定量化に関する構造化された概要を示し、不確実性の統一分類法を導入する。
我々は、カバレッジ、キャリブレーション、バイアステスト、適切なスコアリングルールを含む原則付き検証ツールについて論じ、それらを単純な回帰例と分類例で説明する。
- 参考スコア（独自算出の注目度）: 0.5352699766206808
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable uncertainty quantification is essential for the use of machine learning in physics, where scientific discoveries depend on validated probabilistic statements. We provide a structured overview of uncertainty quantification in ML for physics, introducing a unified taxonomy of uncertainty and clarifying the interpretation of predictive and inference uncertainties across frequentist and Bayesian frameworks. We discuss principled validation tools, including coverage, calibration, bias tests, and proper scoring rules, and illustrate them with simple regression and classification examples.
- Abstract（参考訳）: 信頼性のある不確実性定量化は、科学的発見が検証された確率的ステートメントに依存する物理学における機械学習の使用に不可欠である。
本稿では,物理学におけるMLの不確実性定量化の構造化について概説し,不確実性の統一分類を導入し,頻繁なフレームワークとベイズ的フレームワーク間の予測的および推論的不確実性の解釈を明確にする。
我々は、カバレッジ、キャリブレーション、バイアステスト、適切なスコアリングルールを含む原則付き検証ツールについて論じ、それらを単純な回帰例と分類例で説明する。
関連論文リスト
- Learning with Embedded Linear Equality Constraints via Variational Bayesian Inference [0.0]
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。
論文 参考訳（メタデータ） (2026-04-27T18:47:13Z) - SciIF: Benchmarking Scientific Instruction Following Towards Rigorous Scientific Intelligence [60.202862987441684]
科学的妥当性を確立する制約に厳格に固執しながら、問題を解決する能力。
具体的には,大学レベルの問題と制約の固定されたカタログをペアにすることで,この能力を評価するマルチディシプリンのベンチマークであるSciIFを紹介する。
SciIFは、解の正当性と多拘束性の両方を測定することにより、構成的推論失敗のきめ細かい診断を可能にする。
論文 参考訳（メタデータ） (2026-01-08T09:45:58Z) - An Axiomatic Assessment of Entropy- and Variance-based Uncertainty Quantification in Regression [26.822418248900547]
教師付き回帰における不確実性対策を厳格に評価するために,一連の公理を導入する。
我々は、不確実性表現とそれに対応する不確実性尺度に対する一般的なアプローチを一般化する。
本研究は,信頼性の高い不確実性評価のための理論的知見と実践的ガイドラインを提供する。
論文 参考訳（メタデータ） (2025-04-25T15:44:46Z) - 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) - Model-free generalized fiducial inference [0.0]
等角予測(CP)は有限サンプル確率予測を保証するために開発された。
CPアルゴリズムは、不確実性定量化に対する比較的汎用的なアプローチであり、有限サンプル保証は、汎用性に欠ける。
本稿では,不正確な確率論から,CPと一般化フィデューシャル(GF)推論の間の公式な接続を構築するためのツールを提案する。
論文 参考訳（メタデータ） (2023-07-24T01:58:48Z) - 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) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z)
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。