論文の概要: Efficient Bayesian Deep Ensembles via Analytic Predictive Inference
- arxiv url: http://arxiv.org/abs/2607.06776v1
- Date: Tue, 07 Jul 2026 20:17:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.207215
- Title: Efficient Bayesian Deep Ensembles via Analytic Predictive Inference
- Title（参考訳）: 解析的予測推論による効率よいベイズディープアンサンブル
- Abstract要約: 本稿では,競争力のある予測性能と計算効率を維持しつつ,解釈可能性を高めるために設計された予測回帰のための効率的なベイズディープアンサンブル手法を提案する。
提案手法は,ベイズ推定の統計的厳密さと深層アンサンブルのスケーラビリティを組み合わせ,独立予測だけでなく,より広範な学習システムにおける構成要素としての利用を可能にするキャリブレーションされた不確実性推定を提供する。
- 参考スコア（独自算出の注目度）: 8.08640000394814
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We introduce an efficient Bayesian deep ensemble method for predictive regression designed to enhance interpretability while maintaining competitive predictive performance and computational efficiency. Our method combines the statistical rigor of Bayesian inference with the scalability of deep ensembles, providing calibrated uncertainty estimates that enable its use not only for standalone prediction but also as a component within broader learning systems. To achieve these goals, our work relies on three key design components: (i) low-dimensional ensemble representation: predictions are expressed as a combination of a small number of trained neural predictors, enabling scalable inference whose cost depends on ensemble size rather than dataset size; (ii) closed-form Bayesian aggregation: ensemble predictions are combined using Bayesian linear regression, yielding interpretable posterior weights and calibrated uncertainty without approximate inference; and (iii) Independent ensemble training: multiple neural networks are trained separately, producing diverse predictive representations that improve robustness and uncertainty calibration. Empirical results on standard regression benchmarks demonstrate that the proposed approach achieves competitive predictive performance while maintaining reliable uncertainty estimates across settings.
- Abstract（参考訳）: 本稿では,競争力のある予測性能と計算効率を維持しつつ,解釈可能性を高めるために設計された予測回帰のための効率的なベイズディープアンサンブル手法を提案する。
提案手法は,ベイズ推定の統計的厳密さと深層アンサンブルのスケーラビリティを組み合わせ,独立予測だけでなく,より広範な学習システムにおける構成要素としての利用を可能にするキャリブレーションされた不確実性推定を提供する。
これらの目標を達成するために、我々の仕事は3つの重要な設計要素に依存している。
(i)低次元アンサンブル表現:予測は、少数の訓練された神経予測器の組み合わせとして表現され、コストがデータセットサイズではなくアンサンブルサイズに依存するスケーラブルな推論を可能にする。
(II)閉形式ベイズアグリゲーション:アンサンブル予測はベイズ線形回帰を用いて組み合わせられ、解釈可能な後部重みと近似推論なしで校正された不確かさが得られる。
3)独立アンサンブルトレーニング:複数のニューラルネットワークを個別に訓練し、堅牢性と不確実性校正を改善する多様な予測表現を生成する。
標準回帰ベンチマークによる実験結果から,提案手法は,信頼性の高い不確実性評価を維持しつつ,競合予測性能を達成することを示す。
関連論文リスト
- On Optimal Data Splitting for Split Conformal Prediction [0.7205546587515871]
分割共形予測における最適なデータ分割のための理論的枠組みを開発する。
一般的な結果が、よく使われる回帰設定にどのように特化しているかを示す。
本分析は,モデルに関連した特徴が,トレーニングとキャリブレーションの間のサンプルの最適割り当てをどのように支配するかを明らかにする。
論文 参考訳（メタデータ） (2026-06-30T12:49:44Z) - Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
コンフォーマル予測(CP)は近年,膨大な関心を集めている。
本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。
半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
論文 参考訳（メタデータ） (2025-08-21T12:14:44Z) - Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。
本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。
提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
論文 参考訳（メタデータ） (2025-03-24T18:54:22Z) - Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。
しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。
信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-13T15:37:11Z) - Conformalized-DeepONet: A Distribution-Free Framework for Uncertainty
Quantification in Deep Operator Networks [7.119066725173193]
我々は,DeepONet(DeepONet)レグレッションのカバレッジを保証するため,コンフォメーション予測を用いて信頼性予測間隔を求める。
我々は分割共形予測をより自然に利用できる新しいQuantile-DeepONetを設計する。
種々の常微分方程式の数値例を用いて提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-02-23T16:07:39Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - 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) - Towards Reliable Uncertainty Quantification via Deep Ensembles in
Multi-output Regression Task [0.0]
本研究は,多出力回帰タスクにおいて,近似ベイズ推論であるディープアンサンブルアプローチについて検討することを目的とする。
増大する不確実性の過小評価の傾向を初めて観察する。
本稿では,その不確実性定量化性能を向上させるために,ポストホックキャリブレーション法を適用したディープアンサンブルフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T05:10:57Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z)
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。