論文の概要: Local Conformal Calibration of Dynamics Uncertainty from Semantic Images

• arxiv url: http://arxiv.org/abs/2605.13028v1
• Date: Wed, 13 May 2026 05:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.828288
• Title: Local Conformal Calibration of Dynamics Uncertainty from Semantic Images
• Title（参考訳）: セマンティック画像からのダイナミクス不確かさの局所的等角的校正
• Authors: Luís Marques, Dmitry Berenson,
• Abstract要約: 観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。 OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。 ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
• 参考スコア（独自算出の注目度）: 11.10792616622245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Observation-aware Conformal Uncertainty Local-Calibration (OCULAR), a conformal prediction-based algorithm that uses perception information to provide uncertainty quantification guarantees for unseen test-time environments. While previous conformal approaches lack the ability to discriminate between state-action space regions leading to higher or lower model mismatch, and require environment-specific data, our method uses data collected from visually similar environments to provably calibrate a given linear Gaussian dynamics model of arbitrary fidelity. The prediction regions generated from OCULAR are guaranteed to contain the future system states with, at least, a user-set likelihood, despite both aleatoric and epistemic uncertainty -- i.e., uncertainty arising from both stochastic disturbances and lack of data. Our guarantees are non-asymptotic and distribution-free, not requiring strong assumptions about the unknown real system dynamics. Our calibration procedure enables distinguishing between observation-velocity-action inputs leading to higher and lower next-state-uncertainty, which is helpful for probabilistically-safe planning. We numerically validate our algorithm on a double-integrator system subject to random perturbations and significant model mismatch, using both a simplified sensor and a more realistic simulated camera. Our approach appropriately quantifies uncertainty both when in-distribution and out-of-distribution, being comparatively volume-efficient to baselines requiring environment-specific data.
• Abstract（参考訳）: 本研究では,不明瞭なテスト時間環境に対する不確実な定量化を保証するために,認識情報を用いた共形予測に基づくアルゴリズムであるOCularを導入する。 従来のコンフォメーションアプローチでは,高次あるいは低次モデルミスマッチにつながる状態-作用空間領域を識別する能力がなく,環境特化データを必要とするが,本手法では視覚的に類似した環境から収集したデータを用いて任意の忠実度を持つ線形ガウス力学モデルのキャリブレーションを行う。 OCcularから生成された予測領域は、少なくともユーザ設定の確率で将来のシステム状態を含むことが保証されている。 我々の保証は漸近的で分布のないものであり、未知の実システムの力学について強い仮定は必要としない。 キャリブレーション手法により,観測速度-動作入力の区別が可能で,次の状態不確実性が高く,確率論的に安全な計画立案に有用である。 提案アルゴリズムは, 簡易なセンサとよりリアルなシミュレートカメラを用いて, ランダムな摂動と重要なモデルミスマッチを考慮した二重積分器システムを用いて, 数値的に検証する。 提案手法は, 環境特化データを必要とするベースラインに対して, 相対的に体積効率が高いため, 分布内分布と分布外分布の両面で不確実性を適切に定量化する。

関連論文リスト

• ConformaDecompose: Explaining Uncertainty via Calibration Localization [0.26385121748044166]
  Conformal Predictionは、保証されたカバレッジを備えた、配布不要な予測間隔を提供する。 単一のグローバルキャリブレーションしきい値への依存は、インスタンスレベルでの不確実性の原因を曖昧にする。 キャリブレーションによる不確実性の再現性を分析する不確実性を考慮した説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T19:58:15Z)
• Accurate and Reliable Uncertainty Estimates for Deterministic Predictions Extensions to Under and Overpredictions [0.5702909326640887]
  我々はACCurate and Reliable Uncertainty Estimate (ACCRUE)フレームワークを拡張し、入力依存の非ガウスの不確実性分布を学習する。 提案手法は,入力依存の不確実性構造を捕捉し,既存手法と比較して確率的予測を改善する。
  論文  参考訳（メタデータ） (2026-04-09T20:39:46Z)
• Lies We Can Trust: Quantifying Action Uncertainty with Inaccurate Stochastic Dynamics through Conformalized Nonholonomic Lie Groups [18.20843415651297]
  コンフォーマルリー群行動予測セット(Conformal Lie-group Action Prediction Sets)は、対称性を考慮した共形予測に基づくアルゴリズムである。 我々は、リー群を用いて構成誤差を厳密に解析し、以前のユークリッド空間の理論的保証をSE(2)まで拡張する。 シミュレーションされたJetBotと実のMBotを用いた実験により, 対称性に反する非整合性スコアがより体積効率のよい予測領域につながることが示唆された。
  論文  参考訳（メタデータ） (2025-12-11T05:26:56Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Assessing the Probabilistic Fit of Neural Regressors via Conditional Congruence [2.13382635602206]
  このミスアライメントを測定するための既存のアプローチは、主にキャリブレーションの枠組みの下で開発されている。 本稿では,CCE(Congruence Error)という,学習した予測分布とデータセット内の経験的条件分布との間の距離を,条件付きカーネルの平均埋め込みを用いて推定する手法を提案する。 我々は高次元回帰タスクを行い、CCEが4つの重要な特性を示すことを示す: $textitcorrectness$, $textitmonotonicity$, $textitreliability$, $textitrobustness$。
  論文  参考訳（メタデータ） (2024-05-20T23:30:07Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Deep Learning based Uncertainty Decomposition for Real-time Control [9.067368638784355]
  本稿では,ディープラーニングを用いたトレーニングデータの欠如を検出する新しい手法を提案する。 合成および実世界のデータセットに対する既存のアプローチに対する利点を示す。 さらに、シミュレーションされたクアッドコプターにオンラインデータ効率制御を展開させる上で、この不確実性推定の実用性を実証する。
  論文  参考訳（メタデータ） (2020-10-06T10:46:27Z)

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。