Fugu-MT 論文翻訳(概要): A Cubing Strategy for Identifying Stable Hyperparameter Regions for Uncertainty Quantification in Spatial Deep Learning

論文の概要: A Cubing Strategy for Identifying Stable Hyperparameter Regions for Uncertainty Quantification in Spatial Deep Learning

arxiv url: http://arxiv.org/abs/2605.16570v1
Date: Fri, 15 May 2026 19:18:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:46.705953
Title: A Cubing Strategy for Identifying Stable Hyperparameter Regions for Uncertainty Quantification in Spatial Deep Learning
Title（参考訳）: 空間深層学習における不確実性定量化のための安定なハイパーパラメータ領域同定のためのキューブ方式
Authors: Isaac Amouzou, Ben Seiyon Lee,
Abstract要約: 本稿では,モンテカルロの落差がよく校正された予測間隔を生じる安定領域を同定するキュベリングに基づく診断フレームワークを提案する。提案手法は,ベースラインモデルと比較して,競合的あるいは優れた予測間隔を生じることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Spatially referenced datasets have become increasingly prevalent across many fields, largely driven by advances in data collection methods such as satellite remote sensing. In many applications, predictions at unobserved locations are accompanied by reliable uncertainty estimates. While deep learning methods provide both scalable and accurate models for spatial predictions, there remains no clear consensus for addressing uncertainty quantification in spatial deep learning. Monte Carlo (MC) dropout has become a popular approach for uncertainty quantification, yet existing implementations typically focus on tuning the dropout rate while fixing other influential hyperparameters, such as weight decay and the predictive standard deviation multiplier, often through ad-hoc or manual tuning. We propose a cubing-based diagnostic framework that recursively partitions the hyperparameter space to identify stable regions where MC dropout yields well-calibrated predictive intervals. The approach evaluates hyperparameter regions using scoring rules relative to a statistical baseline model, which serves as a calibration anchor. Through a simulation study spanning multiple spatial dependence regimes as well as a large remotely-sensed land surface temperature dataset, we demonstrate that our approach produces competitive or superior predictive intervals compared to the baseline model. Our methodology provides practitioners with a systematic procedure for incorporating uncertainty quantification into spatial deep learning models.
Abstract（参考訳）: 空間的に参照されるデータセットは、衛星リモートセンシングなどのデータ収集手法の進歩によって、多くの分野に広まりつつある。多くの応用において、観測されていない場所での予測には確実な不確実性推定が伴う。深層学習は空間的予測のためのスケーラブルかつ正確なモデルを提供するが、空間的深層学習における不確実な定量化に対処するための明確なコンセンサスはない。モンテカルロ(MC)のドロップアウトは、不確実な定量化のための一般的なアプローチとなっているが、既存の実装では、しばしばアドホックや手動のチューニングを通じて、重量減少や予測標準偏差乗算のような他の影響力のあるハイパーパラメータを修正しながら、ドロップアウト率のチューニングに重点を置いている。本稿では,MCドロップアウトがよく校正された予測区間を出力する安定領域を特定するために,過パラメータ空間を再帰的に分割するキュビングベースの診断フレームワークを提案する。この手法は,キャリブレーションアンカーとして機能する統計ベースラインモデルに対して,スコアリングルールを用いてハイパーパラメータ領域を評価する。複数の空間依存状態と大規模なリモートセンシングされた陸地表面温度データセットにまたがるシミュレーション研究を通じて,本手法がベースラインモデルと比較して,競争的,あるいは優れた予測間隔を生み出すことを示す。本手法は,不確実性定量化を空間深層学習モデルに組み込むための体系的な手法を提供する。

関連論文リスト

Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
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。
論文参考訳（メタデータ） (2026-05-13T05:33:42Z)
Uncertainty Quantification for Reduced-Order Surrogate Models Applied to Cloud Microphysics [0.0]
還元次モデル (ROM) は高次元物理系を効率的にシミュレートできるが、堅牢な不確実性定量法は欠如している。本稿では,潜在空間ROMにおける予測不確実性定量化のためのモデルに依存しないフレームワークを提案する。本手法は,液滴サイズ分布の進化を正確に予測するクラウドマイクロ物理の潜在空間力学モデル上で実証する。
論文参考訳（メタデータ） (2025-11-06T16:47:52Z)
Spatial Conformal Inference through Localized Quantile Regression [6.992239210938067]
等角予測はパラメトリックな仮定に頼ることなく有効な予測間隔を提供する。本研究では,空間データに特化して設計された共形予測法である局所空間整形予測(L SCP)を提案する。 L SCP は既存の手法に比べて非常に厳密で一貫した予測間隔で正確なカバレッジを実現する。
論文参考訳（メタデータ） (2024-12-02T04:15:06Z)
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)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Uncertainty Estimation in Instance Segmentation with Star-convex Shapes [4.197316670989004]
ディープニューラルネットワークベースのアルゴリズムは、しばしば不確実な信頼レベルを持つ誤った予測を示す。本研究は,星形インスタンスの位置で空間的確実性を推定することの課題に対処する。本研究は、個別の確実性スコアに対する分数的確実性推定を組み合わせることが効果的な戦略であることを示す。
論文参考訳（メタデータ） (2023-09-19T10:49:33Z)
Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文参考訳（メタデータ） (2021-05-25T14:35:46Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Semiparametric Bayesian Forecasting of Spatial Earthquake Occurrences [77.68028443709338]
本稿では, Epidemic Type Aftershock Sequence (ETAS) モデルのベイズ的完全定式化を提案する。地理的領域における主震の発生は不均一な空間的点過程に従うと仮定される。
論文参考訳（メタデータ） (2020-02-05T10:11:26Z)

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。