論文の概要: MMD-Balls as Credal Sets: A PAC-Bayesian Framework for Epistemic Uncertainty in Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2605.21783v1
• Date: Wed, 20 May 2026 22:22:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.010103
• Title: MMD-Balls as Credal Sets: A PAC-Bayesian Framework for Epistemic Uncertainty in Test-Time Adaptation
• Title（参考訳）: MMD-Balls as Credal Sets: A PAC-Bayesian Framework for Epistemic Uncertainity in Test-Time Adaptation (特集:医療と医療)
• Authors: Ahanaf Hasan Ariq,
• Abstract要約: テスト時間適応法は分布シフト時のモデル性能を向上させる。 テスト時間適応法は、シフトグレードと予測信頼性を接続する正式な保証を欠いている。 PAC-Bayesian framework yielding bounds explicit parameterized by the maximum mean discrepancy (MMD) between source and target distributions。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time adaptation (TTA) methods improve model performance under distribution shift but lack formal guarantees connecting shift magnitude to prediction reliability. We develop a PAC-Bayesian framework yielding generalization bounds explicitly parameterized by the maximum mean discrepancy (MMD) between source and target distributions. Our principal contribution is interpreting MMD-balls around the source distribution as credal sets in Walley's imprecise probability theory, yielding natural epistemic uncertainty quantification. We establish: (i) a PAC-Bayesian bound with an MMD-dependent shift penalty under an RKHS-Lipschitz loss assumption; (ii) a finite-sample version via MMD concentration; (iii) a uniform worst-case risk bound over all distributions in the credal set, with a lower-upper risk decomposition; and (iv) geodesic preservation bounds explaining why kernel-guided adaptation protects local feature geometry. The credal set interpretation separates epistemic from aleatoric uncertainty and provides a principled decision criterion for when adaptation is warranted.
• Abstract（参考訳）: テスト時間適応 (TTA) 法は、分散シフト時のモデル性能を改善するが、予測信頼性とシフトサイズを接続する正式な保証は欠如している。 我々は、ソースとターゲットの分布間の最大平均差(MMD)によって明示的にパラメータ化された一般化境界を導出するPAC-Bayesianフレームワークを開発する。 我々の主な貢献は、ソース分布の周りのMDD-ボールをウォルリーの不正確な確率論におけるクレダル集合として解釈し、自然の疫学的な不確実性定量化をもたらすことである。 成立する。 i) RKHS-Lipschitz損失仮定に基づくMDDに依存したシフトペナルティを有するPAC-Bayesian (二)MDD濃度による有限サンプル版 三 干潟のすべての分布に束縛された一様最悪のリスクで、かつ、より低いリスク分解 (4)測地保存境界は、なぜカーネル誘導適応が局所的特徴幾何を保護するのかを説明する。 クレダル集合解釈は、てんかんとアレタリック不確かさを区別し、適応が保証されたときの原則的な決定基準を提供する。

関連論文リスト

• KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
  Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。 Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。 現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
  論文  参考訳（メタデータ） (2026-03-27T13:44:42Z)
• CREDO: Epistemic-Aware Conformalized Credal Envelopes for Regression [3.6457570471698095]
  両強みを組み合わせたシンプルな「クレーダル・テンコンフォーマル化」レシピであるCREDOを紹介する。 CREDOはまず、地元の証拠が弱いときに拡大する解釈可能なクレダルエンベロープを構築し、次にこのエンベロープの上にスプリット・コンフォメーション・キャリブレーションを適用して、限界範囲のカバレッジを保証する。 この役割の分離は解釈可能な予測間隔をもたらす。
  論文  参考訳（メタデータ） (2026-03-06T19:37:21Z)
• Accelerated Online Risk-Averse Policy Evaluation in POMDPs with Theoretical Guarantees and Novel CVaR Bounds [9.269394037577177]
  この研究は、部分的に観測可能な領域における条件付き値-アット・リスク評価を加速するための理論的枠組みを導入する。 単純化された信念-MDPから計算可能なCVaR値関数の上下境界を確立する。 我々は,確率的保証を伴う粒子信頼型MDPフレームワーク内で,これらの境界に対する推定器を開発する。
  論文  参考訳（メタデータ） (2026-02-26T15:01:40Z)
• 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)
• MMDCP: A Distribution-free Approach to Outlier Detection and Classification with Coverage Guarantees and SCW-FDR Control [6.429952624399788]
  ラベルシフト下でのマルチクラス分類と外乱検出のための統一的なフレームワークを提案する。 修正マハラノビス距離等角予測(MMDCP)は、クラス固有の距離測度と完全な等角予測を組み合わせてスコア関数を構築する。 オラクルと経験的コンフォーマルな$p$-値のギャップを初めて理論的に評価し、クラスワイド偽発見率(CW-FDR)の有効なカバレッジと効果的な制御を確実にする。
  論文  参考訳（メタデータ） (2025-11-15T03:48:44Z)
• Targeted Separation and Convergence with Kernel Discrepancies [61.973643031360254]
  カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。 本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。 可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
  論文  参考訳（メタデータ） (2022-09-26T16:41:16Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。