論文の概要: GeoQ: Geometry-Aware Conditional Quantile Error Estimation for Scientific Surrogate Models

• arxiv url: http://arxiv.org/abs/2608.21652v1
• Date: Fri, 21 Aug 2026 21:47:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.350818
• Title: GeoQ: Geometry-Aware Conditional Quantile Error Estimation for Scientific Surrogate Models
• Title（参考訳）: GeoQ: 科学的サロゲートモデルに対する条件付き量子誤差推定
• Authors: Khoa Nguyen, Daniel Serino, Aviral Prakash, Marc Klasky,
• Abstract要約: 個々のクエリポイントにおける代理エラーを推定するための非侵入的フレームワークであるGeoQを紹介する。 GeoQは、クエリポイントにおけるエラーを、平均的なキャリブレーションエラーと学習された非負の補正として表現する。 我々はGeoQを,スカラー回帰,カオス力学,中距離気象予報,リヒトマイアー・メシュコフ不安定度予測について評価した。
• 参考スコア（独自算出の注目度）: 0.4870652964208548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural-network surrogate models are increasingly used to accelerate scientific simulations, but their deployment in extrapolative and autoregressive settings requires input-dependent estimates of prediction error. In this work, we introduce GeoQ (Geometry-Aware Conditional Quantile Error Estimation), a non-intrusive calibration framework for estimating surrogate error at individual query points. GeoQ represents the error at a query point as an anchor-averaged calibration error plus a learned nonnegative correction. This correction is modeled as an upper conditional quantile of the anchor-relative error increment, using geometry-based features that encode representation-space displacement and local support density. A cross-fitting procedure generates approximately out-of-sample calibration tuples, while a feature-space k-nearest-neighbor support score identifies regions \textcolor{black}{where the learned error model is supported by calibration data}. We evaluate GeoQ on scalar regression, chaotic dynamics, medium-range weather forecasting, and Richtmyer-Meshkov instability prediction. The results demonstrate that geometry-aware conditional quantile modeling provides a practical and non-intrusive approach for validity-aware error estimation in scientific surrogate models.
• Abstract（参考訳）: ニューラルネットワークサロゲートモデルは、科学シミュレーションの高速化にますます利用されているが、外挿的および自己回帰的な設定への展開には、入力に依存した予測誤差の推定が必要である。 本研究では,GeoQ(Geometry-Aware Conditional Quantile Error Estimation)を提案する。 GeoQは、クエリポイントにおけるエラーを、平均的なキャリブレーションエラーと学習された非負の補正として表現する。 この補正は、表現空間変位と局所的支持密度をエンコードする幾何学的特徴を用いて、アンカー相対誤差インクリメントの上条件量子化としてモデル化される。 クロスフィッティング手順は、ほぼサンプル外キャリブレーションタプルを生成し、特徴空間kアレスト近傍サポートスコアは、学習エラーモデルがキャリブレーションデータでサポートされている領域 \textcolor{black}{} を特定する。 我々はGeoQを,スカラー回帰,カオス力学,中距離気象予報,リヒトマイアー・メシュコフ不安定度予測について評価した。 その結果、幾何学的条件付き量子化モデリングは、科学的サロゲートモデルにおける妥当性を考慮した誤り推定のための実用的で非侵襲的なアプローチを提供することを示した。

関連論文リスト

• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• A Taylor Series Approach to Correct Localization Errors in Robotic Field Mapping using Gaussian Processes [0.041998444721319216]
  多くの実世界のスカラーフィールドマッピングアプリケーションは、フィールド測定の収集にセンサーを搭載した移動ロボットに依存している。 改良された推定値が利用可能になったとき,GPモデルを更新する手法を提案する。 GP平均と共分散関数の事前計算されたヤコビアンとヘッセンを用いた二階補正アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-28T00:53:14Z)
• Ising on the donut: Regimes of topological quantum error correction from statistical mechanics [0.0]
  ユーティリティスケールの量子コンピュータは、論理的誤り率を十分に低くするために、大量の物理量子ビットを持つ量子エラー訂正符号を必要とする。 ここでは、ビットフリップ雑音下でのトーラス符号から、トーラス上の正確に解ける2次元イジングモデルに対して、シンドロームフリーで選択されたトーラス符号の正確なマッピングを利用して、論理的故障率の解析解を導出する。
  論文  参考訳（メタデータ） (2025-12-11T08:06:23Z)
• Bayesian Model Parameter Learning in Linear Inverse Problems: Application in EEG Focal Source Imaging [49.1574468325115]
  逆問題は、関心のシグナルを直接観測できない限定データ問題として記述することができる。 未知の非線形モデルパラメータを含む線形逆問題について検討した。 ベイズモデルに基づく学習手法を用いて,信号の回復とモデルパラメータの推定を行った。
  論文  参考訳（メタデータ） (2025-01-07T18:14:24Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• Proximity-Informed Calibration for Deep Neural Networks [49.330703634912915]
  ProCalは、近接性に基づいてサンプル信頼度を調整する理論的保証を持つプラグアンドプレイアルゴリズムである。 ProCalは、近接バイアスに対処し、バランスの取れた、長い、分布シフトの設定の校正を改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-07T16:40:51Z)
• Parametric and Multivariate Uncertainty Calibration for Regression and Object Detection [4.630093015127541]
  一般的な検出モデルでは,観測誤差と比較して空間的不確かさが過大評価されている。 実験の結果, 簡便な等速回帰補正法は, 良好な校正不確実性を実現するのに十分であることがわかった。 対照的に、後続のプロセスに正規分布が必要な場合、GP-Normal再校正法が最良の結果をもたらす。
  論文  参考訳（メタデータ） (2022-07-04T08:00:20Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Towards Instance-Wise Calibration: Local Amortized Diagnostics and Reshaping of Conditional Densities (LADaR) [2.6852053271659257]
  本稿では,LADaR(Local Amortized Diagnostics and Reshaping of Conditional Densities)フレームワークを紹介する。 解釈可能な局所診断を生成し、条件密度推定を調整するメカニズムを提供する。 $textttCal-PIT$は、キャリブレーションデータから単一の解釈可能な局所確率マップを学習する。
  論文  参考訳（メタデータ） (2022-05-29T03:52:44Z)

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。