論文の概要: Propagation of~Interval Belief Structures and~Imprecise Copulas for~Neural Network Verification

• arxiv url: http://arxiv.org/abs/2606.30105v1
• Date: Mon, 29 Jun 2026 10:40:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.181722
• Title: Propagation of~Interval Belief Structures and~Imprecise Copulas for~Neural Network Verification
• Title（参考訳）: ニューラルネットワーク検証のための「相互信頼構造」と「即時コプラ」の伝播
• Abstract要約: 本稿では,不正確な確率情報に基づく定量的検証の枠組みを提案する。 我々は、不確かさをモデル化するために、間欠的信念構造を、不正確なコプラと境界不確実性を表すために組み合わせる。
• 参考スコア（独自算出の注目度）: 1.5905165019585945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative verification of neural networks requires reasoning about probabilities under substantial uncertainty in both input distributions and their dependence structure. In realistic settings, this information is often only partially specified, and assuming precise probabilistic models can lead to unreliable results. We propose a sound framework for quantitative verification under imprecise probabilistic information, combining interval belief structures to represent marginal uncertainty with imprecise copulas to model uncertain dependence. We develop a propagation method for imprecisely coupled interval belief structures through feed-forward neural networks. Using mixed imprecise copula volumes, we derive sound push-forward constructions through affine transformations and activation functions. The resulting output can provide guaranteed lower and upper bounds on probabilistic safety properties, valid for all probability models compatible with the specified imprecise inputs.
• Abstract（参考訳）: ニューラルネットワークの定量的検証には、入力分布とその依存構造に大きな不確実性の下での確率の推論が必要である。 現実的な設定では、この情報は部分的にのみ特定されることが多く、正確な確率モデルが信頼できない結果をもたらす可能性がある。 本研究では,不正確な確率的情報に基づく定量的検証の枠組みを提案し,不正確な不確実性を表す区間信念構造と不正確なコプラを結合し,不確かさをモデル化する。 本研究では,フィードフォワードニューラルネットワークを用いて,不正確な結合区間の信念構造を伝搬する手法を開発した。 混合不正確なコプラ体積を用いて、アフィン変換とアクティベーション関数を通して音圧フォワード構造を導出する。 結果の出力は確率論的安全性特性の下位および上位境界を保証し、指定された不正確な入力と互換性のある全ての確率モデルに有効である。

関連論文リスト

• Accurate and Reliable Uncertainty Estimates for Deterministic Predictions Extensions to Under and Overpredictions [0.5702909326640887]
  我々はACCurate and Reliable Uncertainty Estimate (ACCRUE)フレームワークを拡張し、入力依存の非ガウスの不確実性分布を学習する。 提案手法は,入力依存の不確実性構造を捕捉し,既存手法と比較して確率的予測を改善する。
  論文  参考訳（メタデータ） (2026-04-09T20:39:46Z)
• Cooperative Bayesian and variance networks disentangle aleatoric and epistemic uncertainties [0.0]
  実世界のデータは、不完全な測定やデータ生成プロセスに関する不完全な知識から生じる、アレラトリックな不確実性を含んでいる。 平均分散推定(MVE)ネットワークは、このような不確実性を学ぶことができるが、過度な適合を避けるためには、アドホックな正規化戦略を必要とする。 ベイズニューラルネットワークを用いて分散ネットワークを訓練し、その結果のモデルが平均推定を改善しつつ、アレタリックおよびてんかんの不確かさを解き放つことを示す。
  論文  参考訳（メタデータ） (2025-05-05T15:50:52Z)
• Bayesian meta learning for trustworthy uncertainty quantification [3.683202928838613]
  ベイズメタ学習のための新しい最適化フレームワークであるTrust-Bayesを提案する。 所定間隔で捕捉される基底真理の確率の低い境界を特徴付ける。 我々は、信頼に値する不確実性定量化の可能な確率について、サンプルの複雑さを解析する。
  論文  参考訳（メタデータ） (2024-07-27T15:56:12Z)
• CreINNs: Credal-Set Interval Neural Networks for Uncertainty Estimation in Classification Tasks [4.904199965391026]
  本研究は,Credal-Set Interval Neural Networks (CreINNs) と呼ばれる新しい手法を提案する。 CreINNは、単一の確率値ではなく、各クラスに制限された上限と低い確率を予測するように設計されている。 標準的なマルチクラスおよびバイナリ分類タスクの実験は、提案したCreINNsが、不確実性推定の優れた品質または同等の品質を達成できることを実証している。
  論文  参考訳（メタデータ） (2024-01-10T10:04:49Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• 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)
• 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)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• 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。