論文の概要: Bayesian 3D Steerable CNNs: Enabling Equivariance and Uncertainty Quantification Simultaneously

• arxiv url: http://arxiv.org/abs/2606.15479v1
• Date: Sat, 13 Jun 2026 21:28:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.645286
• Title: Bayesian 3D Steerable CNNs: Enabling Equivariance and Uncertainty Quantification Simultaneously
• Title（参考訳）: Bayesian 3D Steerable CNNs: 等価性と不確かさの同時定量化
• Authors: Abhishek Keripale, Ponkrshnan Thiagarajan, Susanta Ghosh,
• Abstract要約: ステアブル畳み込みニューラルネットワーク(ステアブルCNN)は、カーネルをステアブル基底関数の線形結合としてパラメータ化することでSE(3)-等分散を保証する。 本稿では, 基底係数上に後続分布を配置し, 均一性を正確に保ちつつ, カーネルを生成できるベイズステアブルCNNを提案する。 実験的に、このモデルは0.0263のキャリブレーション誤差と競合する分類精度を達成し、加法ガウス雑音によって誘導される分布シフトの下では最大6.17%まで決定論的に優れている。
• 参考スコア（独自算出の注目度）: 1.2234742322758416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Steerable convolutional neural networks (Steerable-CNNs) guarantee SE(3)-equivariance by parameterizing kernels as linear combinations of steerable basis functions, but their deterministic nature precludes uncertainty quantification - limiting their use in settings where confidence estimates are essential. We propose a Bayesian Steerable-CNN that places posterior distributions over the basis coefficients, yielding stochastic kernels while preserving equivariance exactly. The loss function of the model is obtained via variational inference and minimized by Bayes-by-Backpropagation. The framework admits a decomposition of predictive uncertainty into epistemic and aleatoric components. Empirically, the model attains competitive classification accuracy alongside an expected calibration error of 0.0263 and outperforms its deterministic counterpart by up to 6.17% under distributional shift induced by additive Gaussian noise. Furthermore, we leverage the model's uncertainty estimates to enhance its performance significantly, achieving a notable gain - approximately 4% higher accuracy across 84% of the test dataset. A statistically significant negative correlation between epistemic uncertainty and prediction error confirms that the learned posterior variance is semantically meaningful. The framework unifies Bayesian uncertainty quantification with the inductive bias of equivariant CNNs.
• Abstract（参考訳）: ステアブル畳み込みニューラルネットワーク(ステアブル・CNN)は、カーネルをステアブル基底関数の線形結合としてパラメータ化することでSE(3)-等価性を保証するが、その決定論的性質は不確実な定量化を妨げ、信頼推定が不可欠である設定での使用を制限する。 基底係数上に後続分布を配置するベイズステアブルCNNを提案する。 モデルの損失関数は変分推論によって得られ、ベイズ・バイ・バックプロパゲーションにより最小化される。 このフレームワークは、予測の不確実性の分解を、てんかんおよびアレタリックな構成要素に認めている。 実験的に、このモデルは0.0263のキャリブレーション誤差と競合する分類精度を達成し、加法ガウス雑音によって誘導される分布シフトの下では最大6.17%まで決定論的に優れている。 さらに、テストデータセットの84%に対して約4%高い精度で、そのモデルの不確実性推定を利用して、そのパフォーマンスを大幅に向上させ、顕著な利益を達成する。 てんかんの不確かさと予測誤差の間の統計的に有意な負の相関は、学習後の分散が意味論的に意味があることを確認する。 この枠組みはベイズの不確実性定量化と同変CNNの帰納バイアスを統一する。

関連論文リスト

• 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)
• Uncertainty Estimation using Variance-Gated Distributions [0.6340400318304492]
  クラス確率分布の信号対雑音比に基づく不確実性推定と分解のための直感的なフレームワークを提案する。 本稿では,アンサンブルから導かれる信頼因子による予測をスケールする分散化指標を提案する。
  論文  参考訳（メタデータ） (2025-09-07T16:19:21Z)
• Uncertainty Decomposition and Error Margin Detection of Homodyned-K Distribution in Quantitative Ultrasound [1.912429179274357]
  定量的超音波(QUS)における均質K分布(HK分布)パラメータ推定をベイズニューラルネットワーク(BNN)を用いて最近検討した。 BNNは、精度と精度を損なうことなく、スペックル統計に基づくQUSの計算時間を著しく短縮することが示されている。
  論文  参考訳（メタデータ） (2024-09-17T22:16:49Z)
• Looking at the posterior: accuracy and uncertainty of neural-network predictions [0.0]
  予測精度はてんかんとアレタリック不確実性の両方に依存している。 本稿では,共通不確実性に基づく手法よりも優れた新たな獲得関数を提案する。
  論文  参考訳（メタデータ） (2022-11-26T16:13:32Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• 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)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。