Fugu-MT 論文翻訳(概要): Hybrid Probabilistic Zonotopes for Identifiable and Refinable Predictive Uncertainty

論文の概要: Hybrid Probabilistic Zonotopes for Identifiable and Refinable Predictive Uncertainty

arxiv url: http://arxiv.org/abs/2608.05454v1
Date: Wed, 05 Aug 2026 22:59:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 15:25:20.806342
Title: Hybrid Probabilistic Zonotopes for Identifiable and Refinable Predictive Uncertainty
Title（参考訳）: ハイブリッド型確率的ゾノトープによる予測不確かさの同定
Abstract要約: ニューラルネットワークの確率予測ヘッドは通常、ガウス混合または単一共形領域を出力する。 HProbZ(Hybrid Probabilistic Zonotope)は、3つのソースを2進数、有界数、およびゾノトペのジェネレータとして表現する出力ヘッドである。我々は、3つの生成元が置換の確率から同定可能であり、HProbZ密度が任意の有限ガウス混合と表象的に異なることを証明した。
参考スコア（独自算出の注目度）: 3.6503889532208045
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Probabilistic prediction heads in neural networks typically output either a Gaussian mixture or a single conformal region. Neither separates the distinct sources of uncertainty often present in real prediction tasks: a discrete choice among modes, bounded systematic drift within the chosen mode, and irreducible stochastic noise. We introduce the Hybrid Probabilistic Zonotope (HProbZ), an output head that represents these three sources as binary, bounded, and stochastic generators of a zonotope, and admits a closed-form likelihood by convolution. Sharing the bounded generator across prediction steps couples future predictions algebraically, so observing one step refines the predictive distribution at every remaining step in a single forward pass. We establish that the three generators are identifiable from the likelihood up to permutation, and that an HProbZ density is representationally distinct from any finite Gaussian mixture. The same shared structure provides analytic per-mode risk and distribution-free multi-modal conformal sets at inference time. Empirical analysis on representative prediction benchmarks supports the effectiveness of the design relative to same-encoder mixture baselines, while offering structural properties that mixture or convex-conformal predictors do not jointly provide.
Abstract（参考訳）: ニューラルネットワークの確率予測ヘッドは通常、ガウス混合または単一共形領域を出力する。実際の予測タスクでしばしば見られる不確実性の原因は、モード間の個別の選択、選択されたモード内での体系的ドリフト、既約確率ノイズである。 HProbZ(Hybrid Probabilistic Zonotope)は、3つのソースを2進数、有界数、確率的生成子として表現し、畳み込みによる閉形式の可能性を認める出力ヘッドである。予測ステップをまたいだ境界生成器の共有は、将来の予測を代数的に結合するので、1ステップの観察は、1つの前方通過における残りのステップの予測分布を洗練させる。我々は、3つの生成元が置換の確率から同定可能であり、HProbZ密度が任意の有限ガウス混合と表象的に異なることを証明した。同じ共有構造は、解析的なモードごとのリスクと、推論時における分布自由な多モード共形集合を提供する。代表予測ベンチマークに関する実証分析は、同一エンコーダ混合ベースラインに対する設計の有効性を裏付けると同時に、混合または凸整合予測器が共同で提供しない構造特性を提供する。

関連論文リスト

Two-Step MV-DeepONet: Probabilistic Operator Learning for Uncertainty Propagation Driven by Random Input Fields [2.110303171517621]
2段階平均分散DeepONet (2段階MV-DeepONet) を2つの主改良により開発する。 Prob-DeepONetと比較して、一般化、より構造化された不確実帯域、および対角線外相関パターンの正確な回復を示す。
論文参考訳（メタデータ） (2026-08-10T03:21:10Z)
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)
Nonlinearity and Uncertainty Informed Moment-Matching Gaussian Mixture Splitting [1.024113475677323]
最先端のガウス混合アプローチは、個々のミキサンドが選択的に混合に分解され、真の伝播分布のより良い近似が得られるように適応している。分割方向の選択は、初期不確かさ分布、元の分布が伝播する非線形関数の性質、および座標のスケーリングに対する分割方向の依存を避けるためのホワイトニングに基づく自然スケーリング法によって通知される。
論文参考訳（メタデータ） (2024-11-30T03:55:54Z)
Marginalization Consistent Probabilistic Forecasting of Irregular Time Series via Mixture of Separable flows [4.489135297410294]
不規則な時系列における目標の連立分布の確率論的予測モデルは、機械学習においてあまり研究されていない分野である。 MOSES(Marginalization Consistent Mixture of Separable Flows)は,複数の潜伏ガウス過程と分離可能なユニ-正規性フローの混合をパラメタライズするモデルである。 4つのデータセットの実験では、MOSESは正確な結合予測と限界予測の両方を達成し、他の余分化の基線を全て上回り、ProFITiをわずかに下回っただけで、余分分布の予測では圧倒的に優れていることが示されている。
論文参考訳（メタデータ） (2024-06-11T13:28:43Z)
Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文参考訳（メタデータ） (2024-04-24T09:04:36Z)
Invariant Probabilistic Prediction [45.90606906307022]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文参考訳（メタデータ） (2023-09-18T18:50:24Z)
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)
An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文参考訳（メタデータ） (2022-04-19T10:51:00Z)
CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文参考訳（メタデータ） (2021-09-07T09:38:24Z)
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)
Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
論文参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。