論文の概要: Error Aware Distribution Prediction for Lightweight Implicit Neural Representations

• arxiv url: http://arxiv.org/abs/2607.10068v1
• Date: Sat, 11 Jul 2026 01:45:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.286093
• Title: Error Aware Distribution Prediction for Lightweight Implicit Neural Representations
• Title（参考訳）: 軽量入射ニューラル表現の誤り認識分布予測
• Abstract要約: 入射神経表現(INR)はボリュームのコンパクトな符号化を提供するが、損失のある近似器として、必然的に予測誤差を持つ。 我々は,不確実性推定からツールを用いて分布を予測することで,相対誤差スケールを同時に符号化できるINRについて検討する。
• 参考スコア（独自算出の注目度）: 7.945055464912347
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit neural representations (INRs) offer compact encoding of volumes, but as lossy approximators, inevitably have prediction errors. We consider INRs that can simultaneously encode relative error scales by predicting distributions using tools from uncertainty estimation. Typically, uncertainty estimation relies on computationally expensive approaches or on predefined parametric assumptions about the predictive distribution (e.g., Gaussian). In this study, we propose a lightweight method that reformulates regression-based INR training as a classification task by discretizing continuous targets into bins, enabling flexible distribution modeling to capture complex multimodal behaviors. We analyze the trade-off between regression and classification for INR training and demonstrate that the classification setting tends to achieve high reconstruction quality and competitive error awareness through uncertainty estimation, compared to regression-based approaches.
• Abstract（参考訳）: 入射神経表現(INR)はボリュームのコンパクトな符号化を提供するが、損失のある近似器として、必然的に予測誤差を持つ。 我々は,不確実性推定からツールを用いて分布を予測することで,相対誤差スケールを同時に符号化できるINRについて検討する。 通常、不確実性推定は計算に高価なアプローチや予測分布(例えばガウス)に関する事前定義されたパラメトリック仮定に依存する。 本研究では、連続目標をビンに識別することで、回帰に基づくINRトレーニングを分類タスクとして再構成し、柔軟な分布モデリングにより複雑なマルチモーダルな振る舞いを捉える軽量な手法を提案する。 我々は、INRトレーニングにおける回帰と分類のトレードオフを分析し、回帰に基づくアプローチと比較して、不確実性推定による高い再構成品質と競合エラー認識を実現する傾向があることを示す。

関連論文リスト

• Conformal risk control for model-form uncertainty in parametric non-intrusive reduced-order models [1.5749416770494706]
  非侵入還元次モデル(NIROM)は、実験のコンピュータ設計からパラメトリック偏微分方程式を近似するための標準ツールとなっている。 しかしながら、これらの予測の信頼性を評価することは、特に外挿体制や限られた訓練データの下では大きな課題である。 本稿では,削減された基底の摂動表現と分布自由な共形型法を組み合わせることで,NIROMのモデル形式不確かさを定量化するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-04T09:08:16Z)
• Practical Deep Heteroskedastic Regression [15.023152666894049]
  ターゲットの不確かさが入力に依存するヘテロスケダスティック回帰では、予測分布の平均と分散をパラメータ化するニューラルネットワークを訓練する。 本稿では,事前学習したネットワークの中間層に分散モデルを適用することで,これらの課題に協調的に対処する,シンプルで効率的な手法を提案する。 提案手法は, 平均予測精度を損なうことなく, 予測時に安価に使用できることを示す。
  論文  参考訳（メタデータ） (2026-03-02T11:19:32Z)
• Nonparametric Distribution Regression Re-calibration [3.0204520109309847]
  全体的な予測誤差の最小化は、キャリブレーションよりも情報を優先することをモデルに推奨する。 安全クリティカルな設定では、信頼に値する不確実性推定は狭い間隔よりも価値があることが多い。 条件付きカーネル平均埋め込みに基づく新しい非パラメトリック再校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-13T11:48:43Z)
• Uncertainty Quantification for Deep Regression using Contextualised Normalizing Flows [1.8899300124593648]
  本稿では,予測間隔と完全条件付き予測分布の両方を生成する新しい不確実性定量化手法であるMCNFを紹介する。 MCNFは、基礎となるトレーニングされた予測モデル上で動作するため、予測モデルの再トレーニングは不要である。 我々は、MCNFに基づく不確実性推定が十分に校正され、最先端の不確実性定量化手法と競合し、下流の意思決定タスクに対してよりリッチな情報を提供する実験的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-11-30T11:08:40Z)
• Active operator learning with predictive uncertainty quantification for partial differential equations [6.519088943440059]
  本研究では,訓練中に観測されたモデル誤差に校正された予測的不確実性推定を用いたディープオペレータネットワーク(DeepONets)の不確実性定量化手法を開発した。 不確実性フレームワークは、既存のアンサンブルアプローチとは対照的に、単一のネットワークを使用して動作し、トレーニングと推論中に最小限のオーバーヘッドを導入する。 一連の偏微分方程式(PDE)問題に対する不確実性を考慮したモデルの評価を行い、モデル予測が偏りがなく、非歪で、PDEに対する解を正確に再現していることを示す。
  論文  参考訳（メタデータ） (2025-03-05T04:48:14Z)
• 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)
• 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)
• 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)
• 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)
• Frequentist Uncertainty in Recurrent Neural Networks via Blockwise Influence Functions [121.10450359856242]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルおよび時系列データのモデリングに有効である。 RNNにおける既存の不確実性定量化のアプローチは、主にベイズ法に基づいている。 a)モデルトレーニングに干渉せず、その精度を損なうことなく、(b)任意のRNNアーキテクチャに適用し、(c)推定不確かさ間隔に関する理論的カバレッジ保証を提供する。
  論文  参考訳（メタデータ） (2020-06-20T22:45:32Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。