論文の概要: A Unified Risk View of Uncertainty: Posterior Risk for Disentanglement and Evaluation Beyond Proxies

• arxiv url: http://arxiv.org/abs/2608.05995v1
• Date: Thu, 06 Aug 2026 13:05:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.908914
• Title: A Unified Risk View of Uncertainty: Posterior Risk for Disentanglement and Evaluation Beyond Proxies
• Title（参考訳）: 不確かさの統一的リスク・ビュー--絡み合いの後のリスクとプロキシを超えての評価
• Abstract要約: 提案する不確実性の定義は,不確実性(不確実性)をポイントワイド後リスク(pointwise rear risk)として定義する。 この見解は、関数に対するベイズの不確実性と、後部平均からの推定値依存偏差を組み合わせ、誤特定や最適化誤差のような効果を捉えている。 プロキシ評価を避けることにより、不確実性推定のきめ細かい分析が可能になる。
• 参考スコア（独自算出の注目度）: 2.854451361373021
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable uncertainty estimates are critical in safety-sensitive applications, where understanding the sources of predictive uncertainty is essential. This often requires disentangling epistemic uncertainty from aleatoric uncertainty, yet these uncertainty types are not defined consistently across the literature, making it difficult to assess whether a method produces accurate uncertainty estimates. Evaluation is further complicated by the fact that ground-truth epistemic uncertainty is typically unavailable. Existing benchmarks therefore mostly rely on proxy tasks such as out-of-distribution detection, which do not provide complete ground-truth uncertainty targets and offer limited insight into the structure and quality of uncertainty estimates. We propose a unified definition of uncertainty as pointwise posterior risk, the expected loss of a predictor under the distribution of plausible ground-truth functions given the data. This view combines Bayesian uncertainty over functions with estimator-dependent deviations from the posterior mean, capturing effects such as misspecification and optimization error. This formulation constitutes the foundation of a theory-backed benchmark that enables direct computation of oracle epistemic and aleatoric uncertainty using semi-synthetic datasets with real covariates and known generative processes. By avoiding proxy evaluations, the benchmark enables fine-grained analysis of uncertainty estimates. Empirically, we find that accurate prediction does not guarantee reliable uncertainty disentanglement. The benchmark reveals practically useful differences between methods, identifying approaches with meaningful alignment to oracle uncertainty targets while exposing sensitivity to datasets and modeling choices.
• Abstract（参考訳）: 信頼性の高い不確実性推定は、予測不確実性の原因を理解することが不可欠である、安全に敏感なアプリケーションにおいて重要である。 しかし、これらの不確実性タイプは文献全体で一貫して定義されておらず、メソッドが正確な不確実性推定を生成するかどうかを評価することは困難である。 根治性てんかんの不確実性は通常不可能であるという事実により、評価はさらに複雑である。 既存のベンチマークは、主にアウト・オブ・ディストリビューション検出のようなプロキシタスクに依存しており、これは完全な地道不確実性目標を提供しておらず、不確実性推定の構造と品質に関する限られた洞察を与えていない。 そこで本研究では,不確実性の統一的定義を,データから得られる有理基底構造関数の分布下での予測器の損失として提案する。 この見解は、関数に対するベイズの不確実性と、後部平均からの推定値依存偏差を組み合わせ、誤特定や最適化誤差のような効果を捉えている。 この定式化は、実際の共変量および既知の生成過程を持つ半合成データセットを用いて、オラクルの疫学およびアレタリック不確実性の直接計算を可能にする理論に基づくベンチマークの基礎を構成する。 プロキシ評価を避けることにより、不確実性推定のきめ細かい分析が可能になる。 実験的に、正確な予測が確実な不確実性障害を保証していないことが判明した。 このベンチマークでは、メソッド間の事実上有用な差異を明らかにし、オラクルの不確実性ターゲットに意味のあるアライメントを持つアプローチを特定しながら、データセットへの感受性を明らかにし、選択をモデル化する。

関連論文リスト

• Evaluating Epistemic Uncertainty: Beyond OOD Detection and Active Learning [29.285132690069375]
  タスクに対するベイズ最適決定戦略は、不確実性の定量化に一般的に使用されるスコアと一致しない。 再現可能な誤りである後悔を識別する能力を用いて不確実性を評価する。 学習したコンポーネント間の標準相関指標が必ずしも実際の運用性を予測するとは限らないことを示す。 本研究は, 関節脱離および実用性診断の手段として, 達成可能なリスク, 後悔, 分解のカバー面を評価することを提案する。
  論文  参考訳（メタデータ） (2026-07-16T10:35:56Z)
• Variational Uncertainty Decomposition for In-Context Learning [16.986925734554447]
  インコンテキスト学習のための変分不確実性分解フレームワークを提案する。 補助的なクエリをプローブとして最適化し、文脈内学習手順のアレラトリックな不確実性に対する上限を求める。
  論文  参考訳（メタデータ） (2025-09-02T13:53:09Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• From Risk to Uncertainty: Generating Predictive Uncertainty Measures via Bayesian Estimation [5.355925496689674]
  私たちは、異なる予測の不確実性対策を作成できるフレームワークを構築します。 本手法は,分布外および誤分類インスタンスの検出において,その性能を評価することにより,画像データセット上での検証を行う。
  論文  参考訳（メタデータ） (2024-02-16T14:40:22Z)
• One step closer to unbiased aleatoric uncertainty estimation [71.55174353766289]
  そこで本研究では,観測データのアクティブデノイズ化による新しい推定手法を提案する。 幅広い実験を行うことで,提案手法が標準手法よりも実際のデータ不確実性にはるかに近い近似を与えることを示す。
  論文  参考訳（メタデータ） (2023-12-16T14:59:11Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• Density Uncertainty Layers for Reliable Uncertainty Estimation [20.867449366086237]
  ディープニューラルネットワークの予測不確実性を評価することは、ディープラーニングの安全性関連の応用に不可欠である。 本稿では,モデルが入力の経験的密度に基づいて予測分散を行う必要があるという,信頼性のある予測不確実性のための新しい基準を提案する。 既存の手法と比較すると、密度不確実性層はより信頼性の高い不確実性推定とロバストなアウト・オブ・ディストリビューション検出性能を提供する。
  論文  参考訳（メタデータ） (2023-06-21T18:12:58Z)
• 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)

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。