論文の概要: Uncertainty quantification via conformal prediction in data assimilation

• arxiv url: http://arxiv.org/abs/2606.27001v1
• Date: Thu, 25 Jun 2026 13:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.291359
• Title: Uncertainty quantification via conformal prediction in data assimilation
• Title（参考訳）: データ同化における共形予測による不確かさ定量化
• Abstract要約: 共形予測(CP)は、制御された理想的な環境で不確実性を定量化する、最近の機械学習(ML)手法である。 CPの3変種に対する平均経験的カバレッジ,平均区間長,低損失,高遅延,平均区間スコア損失(AISL)を比較し,評価した。
• 参考スコア（独自算出の注目度）: 26.03725296495402
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantifying the evolution of uncertainty is critical to both probabilistic forecasting and data assimilation in numerical weather prediction. In this study, we investigate the applicability of conformal prediction (CP), a recent machine learning (ML) method, to quantify uncertainty in a controlled, idealized setting. We use the one dimensional modified shallow water model, designed to mimic the convective process. CP provides a set of possible outcomes with a chosen confidence level. Here, we compare and evaluate the average empirical coverage, the average interval length, miss low, miss high and average interval score loss (AISL) for three variants of CP, namely a) Standard CP, b) Normalized CP and c) Conformalized Quantile Regression. We further compare these CP-based uncertainty estimates with traditional ensemble-based measures such as standard deviation intervals and ensemble spread. In addition, we investigate the integration of CP-derived uncertainty within the data assimilation cycle through CP perturbations. Our results highlight the strengths and limitations of each approach, providing insight into the effectiveness of CP to complement common ensemble-based uncertainty quantification in simplified atmospheric models.
• Abstract（参考訳）: 不確実性の進化の定量化は、確率予測と数値気象予測におけるデータ同化の両方において重要である。 本研究では,最近の機械学習(ML)手法である共形予測(CP)の適用性を検討した。 対流過程を模した1次元修正浅水モデルを用いている。 CPは、選択された信頼レベルで可能な結果のセットを提供する。 ここでは、CPの3つの変種の平均経験的カバレッジ、平均間隔長、ミスロー、ミスハイ、平均間隔スコア損失(AISL)を比較して評価する。 a)標準CP b)正規化CP及び標準化CP c) 整形化量子回帰 さらに、これらのCPに基づく不確実性推定を、標準偏差間隔やアンサンブル拡散といった従来のアンサンブルに基づく測度と比較する。 さらに、CP摂動によるデータ同化サイクルにおけるCP由来の不確実性の統合について検討する。 その結果, 簡易な大気モデルにおいて, 共通アンサンブルに基づく不確実性定量化を補完するCPの有効性について考察した。

関連論文リスト

• Probabilistic Object Detection with Conformal Prediction [2.21658458251407]
  Conformal Prediction (CP) は、有限サンプル被覆保証付き予測セットを構築するための分布自由な方法である。 標準の非スケールCPは入力間で固定幅の予測間隔を生成し、不確かさの予測に不要な幅をもたらす。 IoUは19%,IoUは39%,CPは39%であった。
  論文  参考訳（メタデータ） (2026-05-08T10:23:43Z)
• Reliable Hierarchical Operating System Fingerprinting via Conformal Prediction [62.40452053128524]
  コンフォーマル予測(CP)は、既存の手法にラップして、保証されたカバレッジで予測セットを得ることができる。 この研究は、2つの異なる構造化CP戦略を導入し評価することで、これらの制限に対処する。 どちらの手法も妥当性を保証するが、レベルワイド効率と構造的整合性の間には根本的なトレードオフがある。
  論文  参考訳（メタデータ） (2026-02-13T11:20:48Z)
• Quantifying Epistemic Predictive Uncertainty in Conformal Prediction [11.09458914721516]
  本研究では,複数の予測モデルが存在することにより,予測時に直面する不確実性を定量化する問題について検討する。 軽微な仮定の下で、任意の完全共形予測手順が閉かつ凸な予測分布の集合を誘導することを示す最近の結果に基づいて構築する。 本研究では,その不確かさを定量化するために,emphMaximum Mean Imprecisionに基づく計算効率が高く,解析的に抽出可能な不確実性尺度を提案する。
  論文  参考訳（メタデータ） (2026-02-02T05:38:07Z)
• 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)
• Conformal Prediction for Uncertainty Estimation in Drug-Target Interaction Prediction [1.474945380093949]
  薬物-標的相互作用予測のための3つのクラスタ条件境界共形予測法を解析した。 グループ条件付きCPは、あるエンティティが親しみのあるときにうまく機能するが、残差駆動クラスタリングはスパースや新規シナリオにおいても堅牢な不確実性推定を提供する。 これらの結果は、不確実性の下でDTI予測を改善するためのクラスタベースのCPの可能性を強調している。
  論文  参考訳（メタデータ） (2025-05-24T22:31:49Z)
• Generalization and Informativeness of Conformal Prediction [36.407171992845456]
  Con conformal prediction (CP) は任意のベース予測器をカバレッジ保証付きセット予測器に変換する。 CPは、予測セットがユーザ定義の許容範囲でターゲット量を含むことを認証するが、予測セットの平均サイズを制御できない。 基底予測器の一般化特性と結果のCP予測セットの情報性との間に理論的な関係が確立される。 導出上界は、CPセット予測器の平均サイズが、キャリブレーションデータの量、目標信頼性、ベース予測器の一般化性能に依存することを洞察する。
  論文  参考訳（メタデータ） (2024-01-22T10:14:45Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• 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)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• A novel Deep Learning approach for one-step Conformal Prediction approximation [0.7646713951724009]
  Conformal Prediction (CP) は、最小限の制約を与えられた最大エラー率を保証する汎用的なソリューションである。 本稿では,従来の2ステップCPアプローチを1ステップで近似する新しい共形損失関数を提案する。
  論文  参考訳（メタデータ） (2022-07-25T17:46:09Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。