論文の概要: Dirichlet-Based Monte Carlo Dropout for Uncertainty Estimation in Neural Networks

• arxiv url: http://arxiv.org/abs/2605.23635v1
• Date: Fri, 22 May 2026 13:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.372918
• Title: Dirichlet-Based Monte Carlo Dropout for Uncertainty Estimation in Neural Networks
• Title（参考訳）: ディリクレ型モンテカルロ落下によるニューラルネットワークの不確かさ推定
• Authors: Rouaa Hoblos, Noura Dridi, Noureddine Zerhouni, Zeina Al Masry,
• Abstract要約: 本研究では,ディリクレに基づくフレームワークをMC Dropoutに組み込むことにより,ディープラーニングにおける不確実性評価を強化する。 提案手法は,不確実性推定の品質を向上しつつ,MC Dropoutの計算効率を維持する。
• 参考スコア（独自算出の注目度）: 0.5599792629509229
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional neural networks provide deterministic predictions without inherent uncertainty estimates. While Bayesian Neural Networks (BNNs) offer a principled approach to uncertainty quantification, their computational complexity limits scalability. Monte Carlo (MC) Dropout, initially introduced as a regularization technique, has been shown to approximate Bayesian inference by enabling probabilistic modeling through multiple stochastic forward passes. In this work, we enhance uncertainty estimation in deep learning by integrating a Dirichlet-based framework within MC Dropout. Specifically, we leverage the formulation proposed by Sensoy et al. (2018), where class probabilities are modeled using a Dirichlet distribution, allowing for a more informative uncertainty representation. The proposed approach maintains the computational efficiency of MC Dropout while improving the quality of uncertainty estimates. We discuss the theoretical foundations of our method and compare it with existing uncertainty quantification techniques. The results highlight the effectiveness of the proposed method in producing well-calibrated uncertainty estimates, offering a practical solution for uncertainty-aware deep learning models.
• Abstract（参考訳）: 従来のニューラルネットワークは、固有の不確実性推定なしに決定論的予測を提供する。 ベイズニューラルネットワーク(BNN)は不確実性定量化に対する原則的なアプローチを提供するが、その計算複雑性はスケーラビリティを制限している。 モンテカルロ(MC)ドロップアウトは、最初は正規化手法として導入され、複数の確率的前方通過による確率的モデリングを可能にすることでベイズ推定を近似することが示されている。 本研究では,ディリクレに基づくフレームワークをMC Dropoutに組み込むことにより,ディープラーニングにおける不確実性評価を強化する。 具体的には、クラス確率をディリクレ分布を用いてモデル化し、より情報的な不確実性表現を可能にするSensoy et al (2018) の定式化を利用する。 提案手法は,不確実性推定の品質を向上しつつ,MC Dropoutの計算効率を維持する。 提案手法の理論的基礎を考察し,既存の不確実性定量化手法と比較する。 提案手法は,不確実性を考慮した深層学習モデルの実用的解法として,精度の高い不確実性推定を導出する上での有効性を強調した。

関連論文リスト

• Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
  Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。 DAPPrは可能性理論を利用した原則的なフレームワークである。 この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
  論文  参考訳（メタデータ） (2026-05-01T12:14:01Z)
• Unreliable Uncertainty Estimates with Monte Carlo Dropout [42.50242605797505]
  深層学習におけるベイズ推定の効率的な近似としてモンテカルロ・ドロップアウト (MCD) が提案された。 我々は、その真の不確実性を捉える能力を実証的に調査する。 MCDは根底にある真の不確かさを正確に反映するのに苦労している。
  論文  参考訳（メタデータ） (2025-12-16T19:14:57Z)
• Uncertainty Quantification for Deep Regression using Contextualised Normalizing Flows [1.8899300124593648]
  本稿では,予測間隔と完全条件付き予測分布の両方を生成する新しい不確実性定量化手法であるMCNFを紹介する。 MCNFは、基礎となるトレーニングされた予測モデル上で動作するため、予測モデルの再トレーニングは不要である。 我々は、MCNFに基づく不確実性推定が十分に校正され、最先端の不確実性定量化手法と競合し、下流の意思決定タスクに対してよりリッチな情報を提供する実験的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-11-30T11:08:40Z)
• Enhancing Uncertainty Estimation and Interpretability via Bayesian Non-negative Decision Layer [55.66973223528494]
  本研究では, ディープニューラルネットワークを条件付きベイズ非負因子分析として再構成したベイズ非負決定層(BNDL)を開発した。 BNDLは複雑な依存関係をモデル化し、堅牢な不確実性推定を提供する。 また,BNDLが効果的に不整合学習を達成できるという理論的保証も提供する。
  論文  参考訳（メタデータ） (2025-05-28T10:23:34Z)
• Quantifying Deep Learning Model Uncertainty in Conformal Prediction [1.4685355149711297]
  コンフォーマル予測(Conformal Prediction)は、モデルの不確実性を表現するための有望なフレームワークである。 本稿では,最先端CP手法とその理論的基礎について考察する。
  論文  参考訳（メタデータ） (2023-06-01T16:37:50Z)
• Integrating Uncertainty into Neural Network-based Speech Enhancement [27.868722093985006]
  時間周波数領域における監視されたマスキングアプローチは、ディープニューラルネットワークを使用して乗法マスクを推定し、クリーンな音声を抽出することを目的としている。 これにより、信頼性の保証や尺度を使わずに、各入力に対する単一の見積もりが導かれる。 クリーン音声推定における不確実性モデリングの利点について検討する。
  論文  参考訳（メタデータ） (2023-05-15T15:55:12Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• 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)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)

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。