論文の概要: It depends: Incorporating correlations for joint aleatoric and epistemic uncertainties of high-dimensional output spaces

• arxiv url: http://arxiv.org/abs/2608.24518v1
• Date: Tue, 25 Aug 2026 13:08:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.991866
• Title: It depends: Incorporating correlations for joint aleatoric and epistemic uncertainties of high-dimensional output spaces
• Title（参考訳）: 高次元出力空間の関節アレタリックおよびてんかん不確実性に対する相関の組み入れ
• Abstract要約: 不確実性定量化(UQ)は、ディープラーニングモデル予測の信頼性を高める上で重要な役割を果たす。 本稿では,高次元回帰タスクにおける連成性に着目し,不確実性の二重性について論じる。 本稿では,低ランク+対角共分散構造を用いた結合不確かさを近似する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 23.472868138533926
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Uncertainty Quantification (UQ) plays a vital role in enhancing the reliability of deep learning model predictions, especially in scenarios with high-dimensional output spaces. This paper addresses the dual nature of uncertainty -- aleatoric and epistemic -- focusing on their joint integration in high-dimensional regression tasks. For example, in applications like medical image segmentation or restoration, aleatoric uncertainty captures inherent data noise, while epistemic uncertainty quantifies the model's confidence in unfamiliar conditions. Modeling both jointly enables more reliable predictions by reflecting both unavoidable variability and knowledge gaps, whereas modeling only one limits transparency and robustness. We propose a novel approach that approximates the resulting joint uncertainty using a low-rank plus diagonal covariance structure, capturing essential output correlations while avoiding the computational burdens of full covariance matrices. Unlike prior work, our method explicitly combines aleatoric and epistemic uncertainties into a unified second-order distribution that supports robust downstream analyses like sampling and log-likelihood evaluation. We further introduce stabilization strategies for efficient training and inference, achieving superior UQ in the tasks of image inpainting, colorization, optical flow, and depth estimation.
• Abstract（参考訳）: 不確実性定量化(UQ)は、特に高次元出力空間を持つシナリオにおいて、ディープラーニングモデル予測の信頼性を高める上で重要な役割を果たす。 本稿では,高次元回帰タスクにおける連成性に着目した不確実性(失語症とてんかん)の二重性について論じる。 例えば、医学画像のセグメンテーションや復元のような応用では、アレタリック不確実性は固有のデータノイズを捕捉し、エピステマティック不確実性は、不慣れな条件におけるモデルの信頼性を定量化する。 両方のモデリングは、避けられない変数と知識ギャップの両方を反映することで、より信頼性の高い予測を可能にします。 本稿では,低ランク+対角共分散構造を用いて結果の連成不確かさを近似し,完全共分散行列の計算負担を回避しつつ,本質的な出力相関を捉える手法を提案する。 従来とは違って,本手法では,アレータティックな不確かさとエピステミックな不確かさを,サンプリングやログライクな評価などのロバストな下流解析をサポートする統一された2次分布に明示的に組み合わせている。 さらに、効率的なトレーニングと推論のための安定化戦略を導入し、画像の塗布、着色、光流、深度推定といったタスクにおいて優れたUQを実現する。

関連論文リスト

• FUSE: Quantifying Uncertainty in Vision-Language Models by Bayesian Fusing Epistemic and Aleatoric Uncertainty [20.637224080557534]
  ロボット工学などの多くの応用において、視覚言語モデルの出力の不確かさを定量化することが不可欠である。 視覚言語モデリングにおける2つの相補的不確実性源を捉えるための確率的フレームワークであるFUSEを開発した。
  論文  参考訳（メタデータ） (2026-06-01T22:11:00Z)
• Local Conformal Calibration of Dynamics Uncertainty from Semantic Images [11.10792616622245]
  観測対応コンフォーマル不確実性局所校正(OCular)について紹介する。 OCcularは、認識情報を用いて不確実な定量化を保証する共形予測に基づくアルゴリズムである。 ランダムな摂動と有意なモデルミスマッチを考慮した二重積分器システムにおいて,本アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2026-05-13T05:33:42Z)
• Aligning LLM Uncertainty with Human Disagreement in Subjectivity Analysis [57.78407973423517]
  我々は、モデルが人間の不一致を反映した不確実性を表現しながら予測する不確実性を考慮した主観性分析を提唱する。 この視点を運用するために,二相認識と不確実性アライメントの枠組みを提案する。 3つの主観的分析課題の実験は、DPUAが人間の不一致とモデルの不確実性をよりよく整合させながら、タスク性能を保っていることを示している。
  論文  参考訳（メタデータ） (2026-05-11T11:52:58Z)
• Beyond the Mean: Distribution-Aware Loss Functions for Bimodal Regression [13.50774354486614]
  正規化RMSEとワッサースタイン距離とクラメール距離を組み合わせた分布認識損失関数のファミリーを提案する。 我々のフレームワークは、信頼性と堅牢性の両方においてMDNを厳格に支配し、信頼できるAIシステムにおけるアレタリック不確実性推定のための信頼性の高いツールを提供する。
  論文  参考訳（メタデータ） (2026-03-20T18:37:05Z)
• 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)
• Uncertainty separation via ensemble quantile regression [23.667247644930708]
  本稿では,不確実性推定と分離のための新しい,スケーラブルなフレームワークを提案する。 我々のフレームワークは大規模データセットにスケーラブルであり、合成ベンチマークで優れた性能を示す。
  論文  参考訳（メタデータ） (2024-12-18T11:15:32Z)
• 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)
• 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)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• 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)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)

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。