論文の概要: Generalized Evidential Deep Learning: From a Bayesian Perspective

• arxiv url: http://arxiv.org/abs/2605.25599v1
• Date: Mon, 25 May 2026 08:51:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.532784
• Title: Generalized Evidential Deep Learning: From a Bayesian Perspective
• Title（参考訳）: 一般化された証拠深層学習:ベイズ的視点から
• Authors: Yuanye Liu, Yibo Gao, Yuanyang Chen, Xiahai Zhuang,
• Abstract要約: Evidential Deep Learning (EDL) は、不確実性推定のための効率的でサンプリング不要な戦略として登場した。 Generalized Evidential Deep Learning (GEDL)は、個々のコンポーネントの役割を混乱させ、GEDLを既存の変種と体系的に関連付ける統一的なフレームワークである。
• 参考スコア（独自算出の注目度）: 16.48788587754326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evidential Deep Learning (EDL) has emerged as an efficient, sampling-free strategy for uncertainty estimation. A series of EDL variants have been proposed to address specific limitations of the original framework, achieving notable success. However, the underlying theoretical structure of EDL and the relationships among these variants have received limited systematic investigation. In this work, we establish a principled theoretical foundation for EDL by interpreting it within a generalized Bayesian framework that includes prior specification, posterior update, and training objective. We further characterize evidential uncertainty from a Bayesian distributional uncertainty viewpoint, established via asymptotic analysis. Building on this perspective, we further propose Generalized Evidential Deep Learning (GEDL), a unified and extensible framework that explicitly disentangles the roles of individual components and systematically relates GEDL to existing variants. Extensive experiments demonstrate that GEDL yields comparable results on classification, uncertainty estimation and OOD detections, with theoretical grounding.
• Abstract（参考訳）: Evidential Deep Learning (EDL) は、不確実性推定のための効率的でサンプリング不要な戦略として登場した。 オリジナルのフレームワークの特定の制限に対処するために、一連のEDL変種が提案され、顕著な成功を収めた。 しかし、EDLの基盤となる理論的構造とこれらの変種間の関係は限定的な体系的な調査を受けている。 本研究では,EDLの原理的基礎を,事前仕様,後続更新,訓練目的を含む一般化ベイズ的枠組みで解釈することによって確立する。 さらに,漸近解析によって確立されたベイズ分布の不確実性の観点から,明らかな不確かさを特徴付ける。 この観点から、我々はさらに、個々のコンポーネントの役割を明示的に切り離し、GEDLを既存の変種と体系的に関連付ける、統一的で拡張可能なフレームワークであるGeneralized Evidential Deep Learning (GEDL)を提案する。 大規模な実験により、GEDLは分類、不確実性推定、OOD検出において、理論的根拠とともに同等の結果を得ることが示された。

関連論文リスト

• On Multi-Step Theorem Prediction via Non-Parametric Structural Priors [50.16583672681106]
  本研究では,インコンテキスト学習(ICL)のレンズによる学習自由な定理予測について検討する。 本稿では,過去の解の時間的依存関係を有向グラフとしてエンコードし,推論中に探索空間を効果的に引き起こす明示的なトポロジ的制約を課すTheorem Precedence Graphsを提案する。 FormalGeo7kベンチマークの実験から,本手法は89.29%の精度を実現し,ICLベースラインを著しく上回り,最先端の教師付きモデルに適合することがわかった。
  論文  参考訳（メタデータ） (2026-03-05T06:08:50Z)
• Density-Informed Pseudo-Counts for Calibrated Evidential Deep Learning [1.9435397960631862]
  Evidential Deep Learning (EDL)は、ニューラルネットワークによってパラメータ化されたディリクレ分布を通じて予測の不確実性をモデル化する不確実性認識分類のための一般的なフレームワークである。 EDLトレーニングは階層型ベイズモデルにおいて,擬似的様相を呈するアモータライズされた変分推論に対応していることを示す。 本稿では,不確実性の程度からクラス予測を分離する新しいパラメトリゼーションであるDIP-EDLを導入する。
  論文  参考訳（メタデータ） (2026-02-01T22:57:39Z)
• Towards A Unified PAC-Bayesian Framework for Norm-based Generalization Bounds [63.47271262149291]
  PAC-Bayesianノルムに基づく一般化のための統一的なフレームワークを提案する。 提案手法の鍵となるのは、構造的重み摂動に関してネットワーク出力を定量化する感度行列である。 我々は、いくつかの既存のPAC-ベイジアン結果を特殊ケースとして回復する一般化境界の族を導出する。
  論文  参考訳（メタデータ） (2026-01-13T00:42:22Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• 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)
• PEPS: Quantum-Inspired Reinforcement Learning for Coherent Reasoning Traces in LLMs [0.0]
  大規模言語モデル(LLM)は、コヒーレントな多段階推論トレースの維持にしばしば苦労する。 この研究は、忠実度に基づく報酬を組み込むことによって、この課題に対処する量子的に着想を得たアプローチを導入する。 提案手法は, 教師付き, コントラスト付き, 事前学習されたベースラインアプローチよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-09-24T13:29:53Z)
• Revisiting Essential and Nonessential Settings of Evidential Deep Learning [70.82728812001807]
  Evidential Deep Learning (EDL) は不確実性推定の新しい手法である。 本報告では,EDLの簡易かつ効果的な拡張型であるRe-EDLを提案する。
  論文  参考訳（メタデータ） (2024-10-01T04:27:07Z)
• A Comprehensive Survey on Evidential Deep Learning and Its Applications [64.83473301188138]
  Evidential Deep Learning (EDL)は、単一のフォワードパスで最小限の追加計算で信頼性の高い不確実性推定を提供する。 まず、主観的論理理論であるEDLの理論的基礎を掘り下げ、他の不確実性推定フレームワークとの区別について議論する。 さまざまな機械学習パラダイムや下流タスクにまたがる広範な応用について詳しく述べる。
  論文  参考訳（メタデータ） (2024-09-07T05:55:06Z)
• Are Uncertainty Quantification Capabilities of Evidential Deep Learning a Mirage? [35.15844215216846]
  EDL法は,特定の目的関数を最小化することにより,予測分布上のメタ分布を学習する。 近年の研究では、学習した不確実性は信頼できないと結論づける既存の方法の限界が特定されている。 本研究では,多種多様な目的関数を統一することにより,多種多様なEDL手法の挙動をより深く理解する。 我々は,EDL法が下流タスクに実証的に有効であるとしても,不確実な定量化能力に乏しいにもかかわらず,これは発生すると結論付けた。
  論文  参考訳（メタデータ） (2024-02-09T03:23:39Z)
• Knowledge from Uncertainty in Evidential Deep Learning [10.751990848772028]
  本研究は,Evidential Deep Learning(EDL)における不確実性から生じる明らかな信号を明らかにする。 EDLは、現在のテストサンプルに対する信頼性を提供するために設計された、不確実性を認識したディープラーニングアプローチのクラスの一例である。
  論文  参考訳（メタデータ） (2023-10-19T11:41:52Z)

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。