論文の概要: Beyond Prediction: Interval Neural Networks for Uncertainty-Aware System Identification

• arxiv url: http://arxiv.org/abs/2605.11460v1
• Date: Tue, 12 May 2026 03:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.544755
• Title: Beyond Prediction: Interval Neural Networks for Uncertainty-Aware System Identification
• Title（参考訳）: 予測を超えて:不確実性認識システム同定のためのインターバルニューラルネットワーク
• Authors: Mehmet Ali Ferah, Tufan Kumbasar,
• Abstract要約: 本稿では、不確実性を考慮したSysIDのためのインターバルニューラルネットワーク(INN)の構築と訓練のための体系的枠組みを提案する。 確率的仮定を使わずに区間演算により不確実性を伝播するインターバルLSTMとNODEモデルを開発した。 トレーニングには,トレーニングされたCNNをNNに変換する2段階のアプローチであるCascade INN(C-INN)と,予測精度と間隔精度を同時最適化する1段階のフレームワークであるJoint INN(J-INN)の2つの戦略を提案する。
• 参考スコア（独自算出の注目度）: 6.5745172279769255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: System identification (SysID) is critical for modeling dynamical systems from experimental data, yet traditional approaches often fail to capture nonlinear behaviors. While deep learning offers powerful tools for modeling such dynamics, incorporating uncertainty quantification is essential to ensure reliable predictions. This paper presents a systematic framework for constructing and training interval Neural Networks (INNs) for uncertainty-aware SysID. By extending crisp neural networks into interval counterparts, we develop Interval LSTM and NODE models that propagate uncertainty through interval arithmetic without probabilistic assumptions. This design allows them to represent uncertainty and produce prediction intervals. For training, we propose two strategies: Cascade INN (C-INN), a two-stage approach converting a trained crisp NN into an INN, and Joint INN (J-INN), a one-stage framework jointly optimizing prediction accuracy and interval precision. Both strategies employ uncertainty-aware loss functions and parameterization tricks to ensure reliable learning. Comprehensive experiments on multiple SysID datasets demonstrate the effectiveness of both approaches and benchmark their performance against well-established uncertainty-aware baselines: C-INN achieves superior point prediction accuracy, whereas J-INN yields more accurate and better-calibrated prediction intervals. Furthermore, to reveal how uncertainty is represented across model parameters, the concept of channel-wise elasticity is introduced, which is used to identify distinct patterns across the two training strategies. The results of this study demonstrate that the proposed framework effectively integrates deep learning with uncertainty-aware modeling.
• Abstract（参考訳）: システム同定(SysID)は実験データから力学系をモデル化するのに重要であるが、従来の手法では非線形な振る舞いを捉えることができないことが多い。 ディープラーニングはそのようなダイナミクスをモデリングするための強力なツールを提供するが、確実な定量化は信頼性の高い予測を保証するために不可欠である。 本稿では,不確実性を考慮したSysIDのためのインターバルニューラルネットワーク(INN)の構築と訓練のための体系的枠組みを提案する。 クリップニューラルネットワークを間隔対応に拡張することにより、確率的仮定なしで区間演算による不確実性を伝播するインターバルLSTMとNODEモデルを開発する。 この設計により、不確実性を表現し、予測間隔を生成することができる。 トレーニングには,トレーニングされたCNNをNNに変換する2段階のアプローチであるCascade INN(C-INN)と,予測精度と間隔精度を同時最適化する1段階のフレームワークであるJoint INN(J-INN)の2つの戦略を提案する。 どちらの戦略も、信頼性の高い学習を保証するために、不確実性を認識した損失関数とパラメータ化のトリックを用いる。 複数のSysIDデータセットに対する総合的な実験は、両方のアプローチの有効性を示し、その性能を確立された不確実性を認識したベースラインに対してベンチマークする。 さらに、モデルパラメータ間での不確実性がどのように表現されるかを明らかにするために、チャネルワイドの弾力性の概念を導入し、2つのトレーニング戦略の異なるパターンを識別する。 本研究の結果から,提案手法はディープラーニングと不確実性を考慮したモデリングを効果的に統合することを示した。

関連論文リスト

• Beyond Accuracy: Reliability and Uncertainty Estimation in Convolutional Neural Networks [0.0]
  ディープニューラルネットワーク(DNN)は、幅広い科学的、実用的な応用に不可欠なものとなっている。 その正確さにもかかわらず、DNNはしばしばキャリブレーションが悪く、しばしば不正確な予測に過度に自信ある確率を割り当てる。 この制限は、信頼性の高い不確実性推定を提供する統合メカニズムの必要性の高まりを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-03-11T13:05:15Z)
• On the Prediction of Wi-Fi Performance through Deep Learning [0.11726720776908521]
  このコントリビューションは、成功率を示す重要な指標であるフレームデリバリ比率(FDR)の予測に焦点を当てている。 この分析は、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory Network(LSTM)の2つのディープラーニングモデルに焦点を当てている。 予備的な結果は、両方のモデルが最小限の情報から、FDRの進化を精度良く予測できることを示している。
  論文  参考訳（メタデータ） (2025-11-28T21:22:07Z)
• Introducing Interval Neural Networks for Uncertainty-Aware System Identification [2.8391355909797644]
  本稿では,システム同定(SysID)タスクにおける不確実性定量化(UQ)を実現するために,INN(Interval Neural Networks)の構築と学習を行うフレームワークを提案する。 INNは、事前訓練されたニューラルネットワークの学習可能なパラメータ(LP)を確率論的仮定に頼ることなく、インターバル値のLPに変換することによって導出される。 我々は,Long Short-Term Memory (LSTM) とNeural Ordinary Differential Equations (Neural ODEs) を Interval LSTM (ILSTM) と Interval NODE (INODE) アーキテクチャに拡張し,SysID に応用するための数学的基盤を提供する。
  論文  参考訳（メタデータ） (2025-04-26T08:16:46Z)
• Average-Over-Time Spiking Neural Networks for Uncertainty Estimation in Regression [3.409728296852651]
  本稿では,AOT-SNN(Average-Over-Time Spiking Neural Network)フレームワークを回帰タスクに適用する2つの手法を提案する。 おもちゃのデータセットといくつかのベンチマークデータセットの両方に対して、我々のアプローチを評価します。
  論文  参考訳（メタデータ） (2024-11-29T23:13:52Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• 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)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Accurate and Reliable Forecasting using Stochastic Differential Equations [48.21369419647511]
  ディープラーニングモデルにとって、現実世界の環境に浸透する不確実性を適切に特徴付けることは、非常に困難である。 本論文では,HNNの予測平均と分散の相互作用を特徴づけるSDE-HNNを開発した。 本手法は,予測性能と不確実性定量化の両方の観点から,最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-28T04:18:11Z)

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。