論文の概要: Attribution and Uncertainty Behavior of Learned Residual Gyro Correction for Gyro-Stellar Estimation
- arxiv url: http://arxiv.org/abs/2607.24608v1
- Date: Mon, 27 Jul 2026 16:10:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.506887
- Title: Attribution and Uncertainty Behavior of Learned Residual Gyro Correction for Gyro-Stellar Estimation
- Title（参考訳）: ジャイロ星推定のための学習残差ジャイロ補正の属性と不確かさ挙動
- Abstract要約: 本研究では、ジャイロスコープバイアス補正のためのディープラーニングフレームワークにおける不確実性分解と説明可能性について検討する。
1次元畳み込みニューラルネットワークは、マルチセンサー入力から残差角率の補正を予測するために訓練される。
このネットワークは、平均補正と入力依存(ヘテロセダスティック)のアレタリック不確実性の両方を生成する。
- 参考スコア（独自算出の注目度）: 36.84730626907743
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work investigates uncertainty decomposition and explainability in a deep learning-based framework for gyroscope bias correction. A 1-D Convolutional Neural Network is trained to predict residual angular rate corrections from multi-sensor inputs, including gyroscope and star tracker measurements. The bias corrections are sent to a flight-representative Gyro-Stellar Estimator. The network produces both mean corrections and input-dependent (heteroscedastic) aleatoric uncertainty, while epistemic uncertainty is estimated via an ensemble of independently trained models. The proposed approach is trained under nominal conditions and evaluated in both nominal and structured perturbations that include additive and temporally correlated noise. Gradient-based attribution methods are applied to both the correction and uncertainty outputs, enabling a decomposition of the evidence that drives state updates and uncertainty estimates. By aggregating attribution patterns across rotational axes and regimes, we reveal axis-specific behaviors and characterize how structured perturbations influence the collaboration between aleatoric and epistemic uncertainty. Uncertainty analysis shows that aleatoric uncertainty increases with perturbation intensity, but the distributions overlap and the calibration is not consistent across regimes. On the other hand, epistemic uncertainty gives a clear signal that gets clearer as the distributional shift happens, showing that the models disagree more. These results show that aleatoric and epistemic uncertainty work well together and that epistemic uncertainty is better at distinguishing between nominal and perturbed operating conditions. The results provide insight into the behavior of hybrid learning-based state estimation components and motivate the use of uncertainty for downstream monitoring and fault detection.
- Abstract（参考訳）: 本研究では、ジャイロスコープバイアス補正のためのディープラーニングフレームワークにおける不確実性分解と説明可能性について検討する。
1次元畳み込みニューラルネットワークは、ジャイロスコープや星追跡器の測定を含むマルチセンサー入力から残角率の補正を予測するために訓練されている。
バイアス補正は飛行表現型ジャイロ星推定器に送られる。
このネットワークは、平均補正と入力依存(ヘテロセダスティック)のアレタリック不確実性の両方を発生させ、一方、疫学的不確実性は独立に訓練されたモデルのアンサンブルによって推定される。
提案手法は名目条件下で訓練され,加法的および時間的相関雑音を含む,名目と構造的摂動の両方で評価される。
補正と不確実性出力の両方にグラディエントベースの属性法を適用し、状態更新と不確実性推定を駆動する証拠の分解を可能にする。
回転軸とレジーム間の帰属パターンを集約することにより、軸特異的な挙動を明らかにし、構造的摂動が動脈とてんかんの不確実性の間の協調にどのように影響するかを特徴付ける。
不確実性解析は、摂動強度によってアレターの不確実性が増加することを示しているが、分布は重なり、キャリブレーションは政権間で一致しない。
一方、エピステマティックな不確実性は、分布シフトが起こるにつれて明らかになる明確な信号を与え、モデルがより一致しないことを示す。
以上の結果から, 動脈硬化とてんかんの不確実性はともに良好に機能し, 診断条件と摂動条件を区別する上で, てんかん不確実性は良好であることが示唆された。
その結果,ハイブリッド学習に基づく状態推定コンポーネントの挙動を把握し,下流モニタリングや故障検出に不確実性を用いることを動機とした。
関連論文リスト
- ConformaDecompose: Explaining Uncertainty via Calibration Localization [0.26385121748044166]
Conformal Predictionは、保証されたカバレッジを備えた、配布不要な予測間隔を提供する。
単一のグローバルキャリブレーションしきい値への依存は、インスタンスレベルでの不確実性の原因を曖昧にする。
キャリブレーションによる不確実性の再現性を分析する不確実性を考慮した説明可能性フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-29T19:58:15Z) - TRIAGE: Type-Routed Interventions via Aleatoric-Epistemic Gated Estimation in Robotic Manipulation and Adaptive Perception -- Don't Treat All Uncertainty the Same [2.755751829139168]
ほとんどの不確実性を認識したロボットシステムは、予測の不確実性を単一のスカラースコアに分解し、それを使って一様に修正された応答をトリガーする。
このアグリゲーションは、破損した観測結果から不確実性が生じるか、あるいは学習されたモデルと真のシステム力学とのミスマッチから生じるのかを曖昧にしている。
本研究では,不確かさを動脈およびてんかん成分に分解する軽量なポストホックフレームワークを導入し,これらの信号を用いて推論時のシステム応答を調節する。
論文 参考訳（メタデータ） (2026-03-09T09:07:43Z) - Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty [38.040646841317965]
本研究では,不確かさを予測分布の集合として表すクレダルセットの定式化を提案する。
我々はこのアイデアを2つの不整合不確実性ヘッドを持つ変分クレダル概念ボトルネックモデルでインスタンス化する。
論文 参考訳（メタデータ） (2026-02-11T10:54:57Z) - 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) - Generalized Gaussian Temporal Difference Error for Uncertainty-aware Reinforcement Learning [0.19418036471925312]
深部強化学習における一般化されたガウス誤差モデリングのための新しい枠組みを提案する。
我々はデータ依存型アレタリック不確実性の推定と緩和を改善する。
ポリシー勾配アルゴリズムによる実験は、大幅な性能向上を示す。
論文 参考訳（メタデータ） (2024-08-05T08:12:25Z) - Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。
局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。
定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文 参考訳（メタデータ） (2022-02-21T10:36:09Z) - 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) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z) - 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) - 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。