論文の概要: A Posterior-Predictive Variance Decomposition for Epistemic and Aleatoric Uncertainty in Wind Power Forecasting

• arxiv url: http://arxiv.org/abs/2605.22390v1
• Date: Thu, 21 May 2026 12:23:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.249585
• Title: A Posterior-Predictive Variance Decomposition for Epistemic and Aleatoric Uncertainty in Wind Power Forecasting
• Title（参考訳）: 風力予測における疫学・修道学不確かさに対する後部予測変数分解法
• Authors: Yinsong Chen, Samson S. Yu, Kashem M. Muttaqi,
• Abstract要約: 本稿では,ニューラルネットワーク回帰とベイズ後部近似のジョイントセッティングに全変動の法則を適用した。 地中不確実性ラベルへのアクセスを必要とせず, 風力特性評価フレームワークを提案する。 合成および実世界の実験全体において、分解されたAUとEUのコンポーネントは理論的に一貫した方向に応答する。
• 参考スコア（独自算出の注目度）: 3.68407754316989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate wind power forecasting requires reliable uncertainty quantification, yet most existing methods report a single predictive uncertainty that conflates epistemic and aleatoric sources. This paper applies the law of total variance to the joint setting of heteroscedastic neural network regression and Bayesian posterior approximation, deriving an explicit decomposition of total uncertainty (TU) into aleatoric (AU) and epistemic (EU) components. The resulting estimators are compatible with standard posterior-approximation methods and with $β$-NLL training to regulate the mean--variance learning trade-off. A wind power--specific evaluation framework is proposed to validate disentanglement without access to ground-truth uncertainty labels, comprising three modules: controlled synthetic experiments to verify responses to heteroscedastic noise and distribution shift; data-property--driven validation on a real-world wind turbine SCADA dataset; and dataset-size scaling experiments to examine the predicted asymptotic behavior of EU. Across synthetic and real-world experiments, the decomposed AU and EU components respond in theoretically consistent directions to noise structure, distributional shift, and training-scale variation, supporting the theoretical consistency and operational utility of the proposed decomposition and evaluation protocol.
• Abstract（参考訳）: 正確な風力予測には確実な不確実性の定量化が必要であるが、既存のほとんどの手法では、疫学とアレタリックソースを混在させる単一の予測不確実性が報告されている。 本稿では, 完全不確実性 (TU) をアレラトニック (AU) とてんかん (EU) 成分に明示的に分解し, ヘテロセダスティックニューラルネットワークの回帰とベイジアン後部近似のジョイントセッティングに全変動の法則を適用した。 得られた推定子は、標準の後方近似法と互換性があり、平均分散学習トレードオフを制御するために$β$-NLLのトレーニングがある。 実世界の風力タービンSCADAデータセットにおけるデータ・プロパティ駆動の検証、EUの予測された漸近挙動を調べるためのデータセット規模のスケーリング実験の3つのモジュールから構成される。 合成および実世界の実験全体において、分解されたAUとEUのコンポーネントは、ノイズ構造、分布シフト、トレーニングスケールの変動に対して理論的に一貫した方向で応答し、提案された分解および評価プロトコルの理論的一貫性と運用性をサポートする。

関連論文リスト

• TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
  多次元出力に対して有効な情報領域を構築する方法について検討する。 交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。 結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
  論文  参考訳（メタデータ） (2026-05-08T01:28:57Z)
• State estimations and noise identifications with intermittent corrupted observations via Bayesian variational inference [7.758003720510634]
  ベイズ変分推論問題として,システム状態,ノイズパラメータ,ネットワーク信頼性の合同推定を定式化する。 本稿では,潜在パラメータの結合後確率密度を近似するために,新しい変分ベイズ適応カルマンフィルタ(VB-AKF)を提案する。
  論文  参考訳（メタデータ） (2026-04-03T05:20:49Z)
• An Isotropic Approach to Efficient Uncertainty Quantification with Gradient Norms [7.439615448864818]
  本稿では,ニューラルネットワークの予測不確実性を定量化する軽量な手法を提案する。 予測の勾配における不確実性を表現する一階テイラー展開とパラメータ共分散に関する等方性仮定の2つの近似を用いる。 次に,各不確実性型が解答正解の予測に有用であるかどうかを,大言語モデルを用いて検討する。
  論文  参考訳（メタデータ） (2026-03-31T09:13:09Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Excess risk analysis for epistemic uncertainty with application to variational inference [110.4676591819618]
  我々は、未知の分布からデータが生成される頻繁なセッティングにおいて、新しいEU分析を提示する。 一般化能力と、予測分布の分散やエントロピーなど、広く使用されているEUの測定値との関係を示す。 本研究では,PAC-ベイジアン理論に基づく予測とEU評価性能を直接制御する新しい変分推論を提案する。
  論文  参考訳（メタデータ） (2022-06-02T12:12:24Z)
• Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
  我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。 提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2022-02-09T19:01:33Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。