論文の概要: Leveraging System-Level Observations to Inform Bayesian Learning of Model Parameters for Quantitative Verification

• arxiv url: http://arxiv.org/abs/2608.03489v1
• Date: Tue, 04 Aug 2026 11:25:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.156388
• Title: Leveraging System-Level Observations to Inform Bayesian Learning of Model Parameters for Quantitative Verification
• Title（参考訳）: 定量的検証のためのモデルパラメータのベイズ学習をインフォームするシステムレベル観測
• Abstract要約: 不正確なまたは不正なPKは定量的解析に悪影響を及ぼし、誤った検証結果をもたらす。 EPIKは、未知の遷移パラメータの分布を導出するために2倍の問題を定式化し、これらの分布を埋め込んで、新しいまたは難しい(測定しにくい)性質を検証する。 実世界のケーススタディと多種多様なEPIKインスタンスを用いた詳細な実験評価は,その有効性,柔軟性,汎用性を示している。
• 参考スコア（独自算出の注目度）: 5.199549051521146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Combining Bayesian learning and quantitative verification is a powerful toolset for analysing key quantitative properties of software systems, like reliability and response time. However, the accuracy and robustness of verification results strongly depend on the prior knowledge (PK) underlying Bayesian inference. This knowledge reflects original beliefs about the probability of events and typically depends on domain expertise. Using inaccurate or uninformative PK can negatively affect quantitative analysis, yielding incorrect verification results. Our EPIK approach tackles this important challenge by eliciting and embedding PK in quantitative verification equipped with Bayesian estimators. Unlike existing approaches that require PK on formal model transition parameters, EPIK leverages system-level properties that are directly observable and are linked to real-world semantics. EPIK formulates a twofold optimisation problem to derive the distributions of unknown transition parameters and then embeds these distributions to verify new or difficult-to-measure (elusive) properties. The detailed experimental evaluation using multiple variants of real-world case studies and diverse EPIK instantiations shows its effectiveness, flexibility and generality.
• Abstract（参考訳）: ベイズ学習と定量的検証を組み合わせることは、信頼性や応答時間といったソフトウェアシステムの重要な量的特性を分析するための強力なツールセットである。 しかし、検証結果の正確さと堅牢性はベイズ推論の根底にある事前知識(PK)に強く依存する。 この知識は、イベントの確率に関する元々の信念を反映しており、典型的にはドメインの専門知識に依存している。 不正確なまたは不正なPKは定量的解析に悪影響を及ぼし、誤った検証結果をもたらす。 EPIKアプローチは,ベイズ推定器を用いた定量的検証において,PKを抽出し,埋め込みすることで,この課題に対処する。 形式的なモデル遷移パラメータにPKを必要とする既存のアプローチとは異なり、EPIKは直接観測可能で現実世界のセマンティクスにリンクされたシステムレベルのプロパティを利用する。 EPIKは、未知の遷移パラメータの分布を導出するために2倍の最適化問題を定式化し、これらの分布を埋め込み、新しいまたは難しい(測定しにくい)性質を検証する。 実世界のケーススタディと多種多様なEPIKインスタンスを用いた詳細な実験評価は,その有効性,柔軟性,汎用性を示している。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Explanation-Based Runtime Verification for Trustworthy ML-driven Optical Networks [1.0849016186013645]
  本稿では、個々の機械学習決定の健全性を評価するために、説明に基づく実行時検証を導入する。 説明に基づく検証は、高い自動化率を維持しながら、誤判定のかなりの部分をインターセプトできることを示す。
  論文  参考訳（メタデータ） (2026-07-22T19:22:41Z)
• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• Efficient Self-Evaluation for Diffusion Language Models via Sequence Regeneration [48.19579266939883]
  拡散大言語モデル (dLLMs) は多様性、制御可能性、並列性を高める能力において大きな注目を集めている。 我々は,dLLMの簡易かつ効果的な自己評価信頼度定量化法であるDiSEを提案する。
  論文  参考訳（メタデータ） (2026-03-03T08:58:20Z)
• Learning Robust Penetration-Testing Policies under Partial Observability: A systematic evaluation [0.28675177318965045]
  セキュリティ脆弱性を特定するためのサイバー攻撃のシミュレーションである侵入テストは、シーケンシャルな意思決定の問題を提示している。 部分可観測性はマルコフ決定過程に存在するマルコフ特性を無効にする。 実世界の複雑性をよりよく反映することを目的として,異なる大きさのホストネットワーク上での部分的に観測可能な浸透試験シナリオについて検討した。
  論文  参考訳（メタデータ） (2025-09-24T11:27:54Z)
• Testing and Improving the Robustness of Amortized Bayesian Inference for Cognitive Models [0.5223954072121659]
  汚染物質観測とアウトリーチは、認知モデルのパラメータを推定する際にしばしば問題を引き起こす。 本研究では,アモルタイズされたベイズ推定を用いたパラメータ推定のロバスト性を検証・改善する。 提案手法は実装が簡単で実用的であり,外乱検出や除去が困難な分野に適用可能である。
  論文  参考訳（メタデータ） (2024-12-29T21:22:24Z)
• Probabilistic Precision and Recall Towards Reliable Evaluation of Generative Models [7.770029179741429]
  問題に対処する確率論的アプローチに基づいて,P-precision and P-recall (PP&PR)を提案する。 我々のPP&PRは、既存の指標よりも忠実度と多様性を比較するための信頼性の高い見積もりを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-04T13:19:17Z)
• Benchmarking the Reliability of Post-training Quantization: a Particular Focus on Worst-case Performance [53.45700148820669]
  ポストトレーニング量子化(PTQ)は、独自のアーキテクチャやトレーニング手順を変更することなく、ディープニューラルネットワーク(DNN)を圧縮するための一般的な方法である。 その有効性と利便性にもかかわらず、分散シフトやデータノイズといった極端ケースの存在下でのPTQ手法の信頼性は明らかにされていない。 そこで本研究では,様々なPTQ手法を用いてこの問題について検討する。
  論文  参考訳（メタデータ） (2023-03-23T02:55:50Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Uncertainty Quantification in Extreme Learning Machine: Analytical Developments, Variance Estimates and Confidence Intervals [0.0]
  不確かさの定量化は、機械学習モデルの予測品質を評価するために不可欠である。 文献で提案されるほとんどの手法は、データに対して強い仮定を行い、入力重みのランダム性を無視したり、信頼区間推定におけるバイアス寄与を無視したりする。 本稿では,これらの制約を克服し,EMMの多様性の理解を向上させる新しい推定法を提案する。
  論文  参考訳（メタデータ） (2020-11-03T13:45:59Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)

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。