論文の概要: Are you sure? A Comprehensive and Comprehensible Survey of Uncertainty Quantification in Symbolic Regression
- arxiv url: http://arxiv.org/abs/2606.06567v1
- Date: Thu, 04 Jun 2026 17:29:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.380516
- Title: Are you sure? A Comprehensive and Comprehensible Survey of Uncertainty Quantification in Symbolic Regression
- Title（参考訳）: 確かか?シンボリック回帰における不確実性定量化の包括的・包括的調査
- Authors: Julia Reuter, Fabricio Olivetti de Franca,
- Abstract要約: 不確実性定量化のサポートの欠如は、現実の意思決定プロセスにおける採用を制限する。
この調査は、本質的なUQ概念を導入し、SRにおけるUQに関する現在の文献をレビューすることを目的として、この問題に明確に対処する最初のものである。
SRにおけるUQは、その重要性にもかかわらず、まだ研究が過小評価されており、SRに対する信頼性の高いUQ手法のさらなる研究を動機付けている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Symbolic regression (SR) is a class of methods that systematically explore the space of mathematical functions to discover models that accurately capture the underlying relationships in a dataset. Despite recent advances in the field, a lack of support for uncertainty quantification (UQ) limits its adoption in real-world decision processes. In regression analysis, UQ provides important information about the model reliability, which can both help to avoid overfitting by accounting for uncertainty in the data, and provide insights for decision-making. This survey is the first to clearly address this issue, with the objective of introducing essential UQ concepts and reviewing the current literature on UQ in SR, which can be broadly organized into three research directions: frequentist, Bayesian, and model selection. Despite its importance, UQ in SR is still underexplored, which motivates further research into reliable UQ methods for SR.
- Abstract（参考訳）: シンボリック回帰(シンボリックレグレッション、SR)は、数学的関数の空間を体系的に探索し、データセットの基盤となる関係を正確に捉えるモデルを発見する手法のクラスである。
この分野の最近の進歩にもかかわらず、不確実性定量化(UQ)のサポートの欠如は、現実の意思決定プロセスにおける採用を制限する。
回帰分析では、UQはモデルの信頼性に関する重要な情報を提供し、データの不確実性を考慮して過度な適合を避けるのに役立ち、意思決定のための洞察を提供する。
この調査は、本質的なUQ概念を導入し、SRにおけるUQに関する現在の文献をレビューすることを目的として、この問題に明確に対処する最初のものである。
SRにおけるUQは、その重要性にもかかわらず、まだ研究が過小評価されており、SRに対する信頼性の高いUQ手法のさらなる研究を動機付けている。
関連論文リスト
- Benchmarking Uncertainty Calibration in Large Language Model Long-Form Question Answering [7.1559850008795385]
大きな言語モデル(LLM)は質問回答(QA)設定で一般的に使用される。
既存のUQアプローチは、科学的QAでは弱い検証が残っている。
推論要求QAにおけるUQ指標を評価するための,最初の大規模ベンチマークを紹介する。
論文 参考訳（メタデータ） (2026-01-30T20:02:34Z) - Uncertainty as Feature Gaps: Epistemic Uncertainty Quantification of LLMs in Contextual Question-Answering [29.4458902836278]
本稿では,与えられたモデルの予測分布と未知の真の分布との相互エントロピーとして定義されたタスクに依存しないトークンレベルの不確実性尺度を提案する。
我々は不確実性の上限を導出し、与えられたモデルの隠された表現において意味的特徴ギャップとして解釈できることを示す。
この一般的なフレームワークを文脈的QAタスクに適用し、文脈信頼、文脈理解、誠実さの3つの特徴がこのギャップを近似していると仮定する。
論文 参考訳（メタデータ） (2025-10-03T02:09:25Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Uncertainty Quantification in Retrieval Augmented Question Answering [45.573346610161195]
本稿では,QAモデルが備える通路の有効性を推定することで,QAモデルの不確実性を定量化する。
我々は、目標QAモデルの通過効率を予測するために軽量ニューラルネットワークを訓練し、単純な情報理論のメトリクスが解の正しさをある程度予測できる一方で、より高価なサンプリングベースの手法を効率的に近似または上回ることを示す。
論文 参考訳（メタデータ） (2025-02-25T11:24:52Z) - Improving Visual Question Answering Models through Robustness Analysis
and In-Context Learning with a Chain of Basic Questions [70.70725223310401]
本研究は,VQAモデルのロバスト性を評価するために,基本質問と呼ばれる意味的関連質問を利用する新しい手法を提案する。
実験により,提案手法はVQAモデルのロバスト性を効果的に解析することを示した。
論文 参考訳（メタデータ） (2023-04-06T15:32:35Z) - Toward Unsupervised Realistic Visual Question Answering [70.67698100148414]
現実的なVQA(RVQA)の問題について検討し、モデルが答えられない質問(UQ)を拒絶し、答えられる質問(AQ)に答えなければならない。
1)データセットには不整合UQが多すぎること,(2)多数の注釈付きUQがトレーニングに必要とされること,の2つの欠点を最初に指摘した。
我々は、既存のVQAデータセットのAQと約29万の人間の注釈付きUQを組み合わせた新しいテストデータセットRGQAを提案する。
これは、画像と質問をランダムにペアリングして得られる擬似UQと、それを結合する。
論文 参考訳（メタデータ） (2023-03-09T06:58:29Z) - Towards Clear Expectations for Uncertainty Estimation [64.20262246029286]
不確実性定量化(UQ)は、信頼できる機械学習(ML)を実現するために不可欠である
ほとんどのUQ手法は、異なる不整合評価プロトコルに悩まされている。
この意見書は、これらの要件を5つの下流タスクを通して指定することで、新たな視点を提供する。
論文 参考訳（メタデータ） (2022-07-27T07:50:57Z)
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。