Fugu-MT 論文翻訳(概要): Tracing sources of epistemic uncertainty in deep learning predictions: homo- and hetero-scedastic linearized estimators

論文の概要: Tracing sources of epistemic uncertainty in deep learning predictions: homo- and hetero-scedastic linearized estimators

arxiv url: http://arxiv.org/abs/2608.07630v1
Date: Fri, 07 Aug 2026 12:18:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-11 19:16:36.464725
Title: Tracing sources of epistemic uncertainty in deep learning predictions: homo- and hetero-scedastic linearized estimators
Title（参考訳）: 深層学習予測における先天的不確実性の追跡源:ホモおよびヘテロセダスティック線形化推定器
Abstract要約: 現代深層学習における不確実性を定量化するために,2つの古典的統計的推定法を適用した。我々のアプローチは、実際のアーキテクチャへのスケーリングを可能にするために、近似フィッシャー情報行列の最近の進歩を活用している。
参考スコア（独自算出の注目度）: 0.13685626568919942
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We adapt two classical statistical estimators for quantifying uncertainty to modern deep learning, in order to provide clearer insights into uncertainty attributable to two sources : aleatoric uncertainty, or locally scarce data. Our approach leverages recent advances in approximate Fisher Information Matrices, to enable scaling to actual architectures. Experimental results demonstrate how each test points is differentially impacted by both sources, highlighting the practical utility of our estimators in improving the robustness of real-world applications.
Abstract（参考訳）: 2つの古典的統計的推定器を応用して、現代の深層学習に不確かさを定量化し、2つの情報源に起因する不確実性についてより明確な洞察を与える。我々のアプローチは、実際のアーキテクチャへのスケーリングを可能にするために、近似フィッシャー情報行列の最近の進歩を活用している。実験結果から,各テストポイントが両情報源から差分の影響を受け,実世界のアプリケーションのロバスト性を改善するための推定器の実用性を強調した。

関連論文リスト

A Knowledge-Informed Pretrained Model for Causal Discovery [61.8885572392623]
因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存している。本稿では,弱い事前知識を原則的中核として統合した,因果発見のための知識インフォームド事前学習モデルを提案する。本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
論文参考訳（メタデータ） (2026-03-21T14:59:41Z)
Towards Uncertainty Quantification in Generative Model Learning [3.498371632913735]
生成モデル学習における不確実性定量化の問題を定式化する。合成データセットに関する予備実験は、集計精度-リコール曲線の有効性を示す。
論文参考訳（メタデータ） (2025-11-13T09:01:12Z)
Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation [68.106428321492]
大規模言語モデル (LLM) は高度な推論能力を示し、ロボットが自然言語の命令を理解し、適切な接地で高レベルな計画を生成することができる。 LLMの幻覚は重大な課題であり、しばしば過度に信頼され、不一致または安全でない計画に繋がる。本研究は, 信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性評価を別々に評価するものである。
論文参考訳（メタデータ） (2025-10-09T10:26:58Z)
TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
OOD検出のための理論駆動型不確実性推定器TULiPを提案する。本手法では,収束前にネットワークに適用される仮説的摂動を考察する。提案手法は,特に近分布試料について,最先端の性能を示す。
論文参考訳（メタデータ） (2025-05-22T17:16:41Z)
Uncertainty for Active Learning on Graphs [70.44714133412592]
不確実性サンプリングは、機械学習モデルのデータ効率を改善することを目的とした、アクティブな学習戦略である。予測の不確実性を超えた不確実性サンプリングをベンチマークし、他のアクティブラーニング戦略に対する大きなパフォーマンスギャップを強調します。提案手法は,データ生成プロセスの観点から基幹的ベイズ不確実性推定法を開発し,不確実性サンプリングを最適クエリへ導く上での有効性を実証する。
論文参考訳（メタデータ） (2024-05-02T16:50:47Z)
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)
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)
Quantifying Epistemic Uncertainty in Deep Learning [15.494774321257939]
不確かさの定量化は、機械学習の信頼性と堅牢性の中核にある。深層学習における不確実性,特にテクテプステミック成分を識別する理論的枠組みを提供する。本稿では,これらの不確かさを推定する2つの手法を提案し,その1つは影響関数に基づくものであり,もう1つは変数に関するものである。
論文参考訳（メタデータ） (2021-10-23T03:21:10Z)
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)
Weight-of-evidence 2.0 with shrinkage and spline-binning [3.925373521409752]
分類予測器を変換するための形式化、データ駆動、強力な方法を提案する。我々は,重み付け手法を拡張し,縮尺推定器を用いて比例を推定することを提案する。本稿では,提案手法の有効性を示す詐欺検出セットにおける一連の実験結果を示す。
論文参考訳（メタデータ） (2021-01-05T13:13:16Z)
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)

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。