論文の概要: Optimal Transport Dropout for Structured Predictive Uncertainty
- arxiv url: http://arxiv.org/abs/2609.33377v1
- Date: Sun, 27 Sep 2026 09:00:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:36:55.132424
- Title: Optimal Transport Dropout for Structured Predictive Uncertainty
- Title（参考訳）: 構造的予測不確かさに対する最適輸送損失
- Abstract要約: 本稿では,予測写像と潜伏摂動の法則を共同で学習する最適輸送降下機について紹介する。
OTDはより正確な予測と、より良く校正され、かなり狭い間隔を得る。
これは、独立に訓練された予測者の明示的な後部推論やアンサンブルなしに、構造化された予測の不確実性を学ぶ方法を提供する。
- 参考スコア（独自算出の注目度）: 3.668981673085598
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deterministic neural networks and neural operators provide point predictions with no intrinsic measure of reliability. Yet, predictive uncertainty may stem from irreducible outcome variability, finite data, or limitations of the chosen model class. Monte Carlo dropout offers a computationally convenient way to construct a predictive distribution through stochastic feature masking, without training multiple independent networks or explicitly inferring a posterior over model parameters. However, its perturbation law is largely prescribed a priori and typically factorised across latent coordinates. We introduce Optimal Transport Dropout (OTD), which instead learns the predictive mapping and the law of its latent perturbations jointly. Starting from a simple independent reference distribution, OTD transports latent perturbations through a learnable flow and propagates them through the predictive neural network, thereby inducing a structured predictive law. Training uses the strictly proper Energy Score, while a kinetic-action term geometrically regularises the transport. Synthetic benchmarks show that OTD captures multimodal predictive distributions, generates meaningful dispersion when the model is misspecified, and exhibits contracting dispersion as more training data or greater model capacity are provided. For a field-valued partial differential equation surrogate, predictive dispersion strongly aligns with the spatial pattern of prediction errors. On this task, compared with Monte Carlo dropout, OTD yields more accurate predictions and better-calibrated, substantially narrower intervals. On real-world regression benchmarks, it further shows competitive accuracy and better probabilistic predictions compared to established baselines. OTD therefore offers a way to learn structured predictive uncertainty without explicit posterior inference or ensembles of independently trained predictors.
- Abstract（参考訳）: 決定論的ニューラルネットワークとニューラルネットワークは、信頼性の本質的な尺度を持たない点予測を提供する。
しかし、予測の不確実性は、既約結果の可変性、有限データ、あるいは選択されたモデルクラスの制限に起因する可能性がある。
Monte Carloのドロップアウトは、複数の独立したネットワークをトレーニングしたり、モデルパラメータよりも後方を明示的に推論することなく、確率的特徴マスキングによって予測分布を構築するのに、計算的に便利な方法を提供する。
しかしながら、その摂動法則は、主に事前規定されており、典型的には潜在座標で分解される。
我々は、予測マッピングと潜在摂動の法則を共同で学習するOTD(Optimal Transport Dropout)を導入する。
単純な独立した参照分布から始まり、OTDは学習可能な流れを通して潜伏摂動を輸送し、予測ニューラルネットワークを介して伝播し、構造化された予測法則を誘導する。
トレーニングは厳密に適切なエネルギースコアを使用し、運動学的な用語は輸送を幾何学的に正則化する。
総合的なベンチマークでは、OTDはマルチモーダルな予測分布をキャプチャし、モデルが不特定時に有意な分散を生成し、より多くのトレーニングデータやより大きなモデルキャパシティが提供されると収縮分散を示す。
場の値を持つ偏微分方程式の代理として、予測分散は予測誤差の空間パターンと強く一致する。
このタスクでは、モンテカルロのドロップアウトと比較して、OTDはより正確な予測と、より良く校正され、かなり狭い間隔を得る。
実世界のレグレッションベンチマークでは、既存のベースラインと比較して、競争精度と確率予測の精度がさらに向上している。
したがって、OTDは、独立に訓練された予測者の明示的な後部推論やアンサンブルなしに、構造化された予測の不確かさを学習する方法を提供する。
関連論文リスト
- Analytic Planning under Uncertainty with Moment Closure [32.403961716203455]
フルステートを解析的に伝播させることは、これを行うための原則的な方法を提供するが、伝統的に、トラクタブルな状態を維持するために制限的な政策や報酬構造を必要としてきた。
このような制約を伴わずに分散対応計画が可能であるかを検討する。
提案手法は, 連続制御における観測下での予測不確実性を良好に評価し, 目標分散を低減させる。
論文 参考訳（メタデータ） (2026-08-03T17:17:00Z) - TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
多次元出力に対して有効な情報領域を構築する方法について検討する。
交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。
結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
論文 参考訳（メタデータ） (2026-05-08T01:28:57Z) - SimDiff: Simpler Yet Better Diffusion Model for Time Series Point Forecasting [8.141505251306622]
拡散モデルは近年,時系列予測において有望であることが示されている。
それらはしばしば最先端のポイント推定性能を達成するのに失敗する。
ポイント推定のための一段階のエンドツーエンドフレームワークであるSimDiffを提案する。
論文 参考訳（メタデータ） (2025-11-24T16:09:55Z) - CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。
本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
論文 参考訳（メタデータ） (2024-06-17T21:25:36Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Robust uncertainty estimates with out-of-distribution pseudo-inputs
training [0.0]
我々は、信頼性のあるデータを与えられていない不確実性予測器を明示的に訓練することを提案する。
データ無しでは訓練できないので、入力空間の情報的低密度領域において擬似入力を生成するメカニズムを提供する。
総合的な評価により、様々なタスクにおける最先端性能を維持しながら、不確実性の頑健かつ解釈可能な予測が得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T17:15:07Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。