論文の概要: Robust Ambiguity Detection (RAD) From Model- and Feature-Space Consistency
- arxiv url: http://arxiv.org/abs/2608.11541v1
- Date: Wed, 12 Aug 2026 01:13:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.410645
- Title: Robust Ambiguity Detection (RAD) From Model- and Feature-Space Consistency
- Title（参考訳）: モデルと特徴空間の整合性からロバストな曖昧さ検出(RAD)
- Abstract要約: ロバストなあいまいさ検出(RAD)フレームワークは、2つの相補的な指標を用いて予測曖昧さを定量化する。
RADは、体系的に制御されたオーバーラップを伴う合成データセットと、いくつかの実世界のデータセットで評価される。
- 参考スコア（独自算出の注目度）: 6.07595146080737
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models should be robust, in the sense of remaining predictively consistent under permissible variations. A model's predictions should ideally remain unchanged when it is replaced by a functionally equivalent one, or when its inputs are subject to minor, admissible perturbations. If such changes alter a prediction significantly, then the prediction is "ambiguous" with respect to the model. Models should abstain from making such ambiguous predictions and/or should flag them for human inspection, especially in high-stakes decision-making scenarios. However, in practice, such ambiguity is not easy to identify once a model is deployed. Here, the Robust Ambiguity Detection (RAD) framework is advanced for quantifying predictive ambiguity using two complementary metrics: Model-Space Consistency and Feature-Space Consistency. These two scores, the RAD Score-Pair, visualised through the RAD Plot, provide an interpretable characterisation of the sources of ambiguity and the actions a user may consider in response. RAD is evaluated on synthetic datasets with systematically controlled overlap, as well as several real-world datasets where the level of ambiguity cannot be directly inspected. Finally, we demonstrate a downstream application of RAD where samples are ranked by their RAD Pareto-Rank and the most ambiguous are abstained from prediction, achieving performance comparable to existing rejection-based approaches.
- Abstract（参考訳）: 機械学習モデルは、許容可能なバリエーションの下で予測的に一貫性を保つという意味で、堅牢であるべきです。
モデルの予測は、機能的に等価なものに置き換えられる場合や、入力が小さく許容できる摂動を受ける場合に、理想的には変化しないべきである。
このような変化が予測を大きく変えると、予測はモデルに関して「曖昧」になる。
モデルは、このような曖昧な予測を控えるべきであり、特に高い意思決定シナリオにおいて、人間の検査のためにフラグを立てるべきである。
しかし、実際には、モデルがデプロイされるとそのような曖昧さを識別するのは容易ではない。
ここでは、モデル空間整合性と特徴空間整合性という2つの相補的な指標を用いて予測曖昧さを定量化するために、ロバスト曖昧性検出(RAD)フレームワークが進歩している。
これら2つのスコア、RAD Score-Pairは、RAD Plotを通して視覚化され、曖昧さの源泉とユーザが応答時に考慮すべきアクションの解釈可能な特徴付けを提供する。
RADは、体系的に制御されたオーバーラップを伴う合成データセットと、曖昧性のレベルを直接検査できない実世界のデータセットに基づいて評価される。
最後に、RADPareto-Rankのサンプルをランク付けし、最も曖昧なサンプルを予測から排除し、既存の拒絶に基づくアプローチに匹敵する性能を達成するRADのダウンストリーム応用を実演する。
関連論文リスト
- Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection Without Fine-Tuning [5.008779702997125]
最新の事前学習モデルでは, 正確なラベル自由分布検出に十分な幾何学的構造をエンコードしている。
以上の結果から, ラベルフリーなOOD検出は, 凍結した後骨が露出する形状に強く依存していることが示唆された。
論文 参考訳（メタデータ） (2026-05-07T03:45:52Z) - Uncertainty-Aware Trajectory Prediction: A Unified Framework Harnessing Positional and Semantic Uncertainties [18.530958966955847]
軌道予測は、歴史的運動データの時間的地平線を考慮し、車両や歩行者のような動的実体の将来の動きを予測しようとする。
この領域における中心的な課題は、二つの主要な情報源から生じるリアルタイムマップに固有の不確実性である。
本稿では,位置的および意味的不確実性を共同でモデル化し,それらを軌道予測パイプラインに明示的に統合する,新しい統合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-31T07:35:55Z) - DANCE: Doubly Adaptive Neighborhood Conformal Estimation [12.643121779828526]
本稿では,2つの新しい非整合性スコアをデータ埋め込み表現から直接組み合わせた,局所的に近似した近接近傍型コンフォメーションアルゴリズムを提案する。
我々は最先端のローカル、タスク適応、ゼロショットのコンフォメーションベースラインに対してテストを行い、DANCEが様々なデータセットにまたがるセットサイズ効率とロバスト性を比較検討した。
論文 参考訳（メタデータ） (2026-02-24T07:54:53Z) - DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Operational range bounding of spectroscopy models with anomaly detection [0.0]
孤立林は、予測モデルが失敗する可能性のあるコンテキストを効果的に識別する。
セカンダリフォレストモデルが予測モデルの説明可能性 SHAP 値の予測を行うと、最高のパフォーマンスが得られる。
論文 参考訳（メタデータ） (2024-08-05T15:59:36Z) - Onboard Out-of-Calibration Detection of Deep Learning Models using Conformal Prediction [4.856998175951948]
本研究では,共形予測アルゴリズムが深層学習モデルの不確かさと関係があることを示し,この関係が深層学習モデルが校正外であるかどうかを検出するのに有効であることを示す。
モデル不確かさと共形予測セットの平均サイズに関連する校正外検出手順を示す。
論文 参考訳（メタデータ） (2024-05-04T11:05:52Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - Sharing pattern submodels for prediction with missing values [12.981974894538668]
機械学習の多くのアプリケーションでは欠落値は避けられず、トレーニング中もテスト時にも課題が提示される。
パターンサブモデル(パターンサブモデル)と呼ばれる別の手法を提案する。これは、テスト時に欠落した値に対して、予測を堅牢にし、パターンサブモデルの予測力を維持または改善させる。
論文 参考訳（メタデータ） (2022-06-22T15:09:40Z) - Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose
Estimation [70.32536356351706]
本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。
ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。
本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-29T07:14:58Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳（メタデータ） (2021-06-07T17:44:49Z)
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。