論文の概要: Uncertainty quantification for trustworthy deep learning: Methods and measures
- arxiv url: http://arxiv.org/abs/2607.28248v1
- Date: Thu, 30 Jul 2026 14:10:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.587049
- Title: Uncertainty quantification for trustworthy deep learning: Methods and measures
- Title（参考訳）: 信頼に値する深層学習のための不確実性定量化:方法と測定方法
- Abstract要約: この調査は、ディープラーニングにおける不確実性定量化の方法に関する構造化された批判的なレビューを提供する。
既存のUQ調査とは対照的に、効率的なアンサンブル近似とシングルパス法に深く貢献しています。
手法をベイズニューラルネットワーク、モンテカルロドロップアウト、ディープアンサンブル、効率的なアンサンブル近似、ラスト層またはシングルパスアプローチの5つのファミリーに分類する。
- 参考スコア（独自算出の注目度）: 0.6857407675150223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deployment of deep neural networks in safety-critical domains demands reliable estimates of predictive confidence, yet conventional architectures lack principled uncertainty quantification. This survey provides a structured, critical review of methods for Uncertainty Quantification (UQ) in deep learning, scoped to ensemble-based and approximate Bayesian approaches and the measures used to summarize their outputs. Relative to existing UQ surveys, our contribution is depth on efficient ensemble approximations and single-pass methods, and a unified treatment that separates the method producing a predictive distribution from the measure that summarizes its uncertainty. We organize methods into five families: Bayesian neural networks, Monte Carlo Dropout, deep ensembles, efficient ensemble approximations, and last-layer or single-pass approaches. We situate adjacent work on evidential and prior networks, conformal prediction, and post-hoc calibration, together with the decision-time tasks of out-of-distribution detection and selective prediction. For each, we examine theoretical motivation, implementation, empirical performance, and limitations. We then review ensemble diversity theory and uncertainty measures and their decompositions, contrasting the entropy decomposition with pairwise divergence measures, and consolidate evaluation methodology so that our qualitative comparisons share a common basis. We close with a brief treatment of uncertainty in large language models and open research directions, including efficient epistemic measures for classification, last-layer diversity, diversity and calibration under shift, and hybrid architectures.
- Abstract（参考訳）: 安全クリティカルな領域におけるディープニューラルネットワークの展開は、予測的信頼性の信頼できる見積を要求するが、従来のアーキテクチャでは原則的な不確実性定量化が欠如している。
この調査は、深層学習における不確実性定量化(UQ)手法の構造化された批判的なレビューを提供する。
既存のUQ調査とは対照的に、効率的なアンサンブル近似とシングルパス法に深く貢献し、その不確実性を要約した指標から予測分布を生成する手法を分離する統合処理を行っている。
手法をベイズニューラルネットワーク、モンテカルロドロップアウト、ディープアンサンブル、効率的なアンサンブル近似、ラスト層またはシングルパスアプローチの5つのファミリーに分類する。
本研究は, 顕在的および先行的なネットワーク, コンフォメーション予測, ポストホックキャリブレーション, および, アウト・オブ・ディストリビューション検出と選択的予測の意思決定時間タスクについて検討する。
それぞれについて、理論的動機づけ、実装、経験的性能、限界について検討する。
次に、アンサンブルの多様性理論と不確実性尺度とその分解をレビューし、エントロピー分解とペアのばらつき尺度を対比し、定性比較を共通基盤とする評価手法を統合する。
大規模言語モデルにおける不確実性とオープンな研究の方向性について,分類,最終層多様性,シフト中の多様性とキャリブレーション,ハイブリッドアーキテクチャなどの効率的な疫学的指標を簡潔に検討した。
関連論文リスト
- Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。
DAPPrは可能性理論を利用した原則的なフレームワークである。
この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
論文 参考訳（メタデータ） (2026-05-01T12:14:01Z) - 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 Multi-Source Detection on a Network [59.17729745907474]
マルチソース検出問題について検討する。
グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。
本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-12T01:09:56Z) - Contextual Similarity Distillation: Ensemble Uncertainties with a Single Model [5.624791703748109]
不確かさの定量化は強化学習と深層学習の重要な側面である。
本研究では,1つのモデルによる深層ニューラルネットワークのアンサンブルの分散を明示的に推定する新しい手法である文脈類似蒸留を提案する。
提案手法は,様々なアウト・オブ・ディストリビューション検出ベンチマークとスパース・リワード強化学習環境にまたがって実証的に検証する。
論文 参考訳（メタデータ） (2025-03-14T12:09:58Z) - In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳（メタデータ） (2025-02-17T10:00:24Z) - Exogenous Matching: Learning Good Proposals for Tractable Counterfactual Estimation [1.9662978733004601]
本稿では, 抽出可能かつ効率的な対実表現推定のための重要サンプリング手法を提案する。
対物推定器の共通上限を最小化することにより、分散最小化問題を条件分布学習問題に変換する。
構造因果モデル (Structure Causal Models, SCM) の様々なタイプと設定による実験による理論的結果の検証と, 対実推定タスクにおける性能の実証を行った。
論文 参考訳（メタデータ） (2024-10-17T03:08:28Z) - Predictive Inference in Multi-environment Scenarios [18.324321417099394]
有効な信頼区間を構築するという課題に対処し、複数の環境にまたがる予測の問題に対処する。
我々は、非伝統的で階層的なデータ生成シナリオにおいて、分散のないカバレッジを得る方法を示すために、Jackknifeとsplit-conformalメソッドを拡張します。
コントリビューションには、非実測値応答の設定の拡張、これらの一般的な問題における予測推論の一貫性の理論、条件付きカバレッジの限界に関する洞察が含まれる。
論文 参考訳（メタデータ） (2024-03-25T00:21:34Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Fast Uncertainty Estimates in Deep Learning Interatomic Potentials [0.0]
本研究では,単一ニューラルネットワークを用いて,アンサンブルを必要とせずに予測不確実性を推定する手法を提案する。
本研究では,不確実性の推定値の品質が深層アンサンブルから得られた値と一致することを示す。
論文 参考訳（メタデータ） (2022-11-17T20:13:39Z) - 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) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z)
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。