論文の概要: When Has a Bayesian Neural Network Sampled Enough? Adaptive Inference Time with Statistical Guarantees

• arxiv url: http://arxiv.org/abs/2610.12212v1
• Date: Thu, 08 Oct 2026 16:01:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.149664
• Title: When Has a Bayesian Neural Network Sampled Enough? Adaptive Inference Time with Statistical Guarantees
• Title（参考訳）: ベイジアンニューラルネットワークのサンプリング時間は十分か? 統計的保証付き適応推論時間
• Abstract要約: 本稿では,統計的保証を維持しつつ,必要なサンプル数を決定するために信頼性シーケンスを提案する。 予測確率は、最も可能性の高いクラスを識別するなど、いくつかの方法を考える。 実験により,提案手法は計算予算を効率的に配分し,簡単な入力よりも不明瞭な入力により多くのサンプルを割り当てることを示した。
• 参考スコア（独自算出の注目度）: 0.7734726150561086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian neural network predictions are commonly approximated using a fixed number of Monte Carlo samples per input, without controlling the resulting error that comes from this finite sample. We propose the use of confidence sequences to dynamically determine how many samples are needed while maintaining statistical guarantees. We consider several ways in which predictive probabilities are used, including identifying the most likely class, approximating the full predictive distribution, and resolving probability-threshold decisions. Sampling stops once the corresponding decision can be made with the desired guarantee. Experiments show that the method allocates the computational budget efficiently, assigning more samples to ambiguous inputs than to easy inputs while preserving reliable decisions and reducing overall latency relative to a fixed Monte Carlo budget.
• Abstract（参考訳）: ベイズニューラルネットワークの予測は、この有限標本から得られる誤差を制御せずに、入力あたりのモンテカルロサンプルの固定数を用いて一般的に近似される。 本稿では,統計的保証を維持しつつ,必要なサンプル数を動的に決定するための信頼性シーケンスを提案する。 予測確率は、最も可能性の高いクラスを特定し、完全な予測分布を近似し、確率閾値の決定を解くなど、いくつかの方法を考える。 サンプリングは、所望の保証で対応する決定を下すことができ次第停止する。 実験の結果、この手法は計算予算を効率的に配分し、不安定な入力により多くのサンプルを割り当て、信頼性のある決定を保ち、固定されたモンテカルロ予算に対する全体的な遅延を低減していることがわかった。

関連論文リスト

• Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability [0.7734726150561088]
  所望の目標法則への経験分布のより高速な収束を達成するために、サンプリング確率を適応的にバイアスするシーケンシャルサンプリング規則。 自己バランス型サンプリングは実装が簡単であり、マルコフ型サンプリングのクラスの中で自然に発生する。 結果は、将来の選択を過度に予測できるようにすることなく、繰り返しの選択とカバレッジの長いギャップを減らすための実践的なフレームワークをサポートする。
  論文  参考訳（メタデータ） (2026-07-23T01:10:42Z)
• A Monte Carlo Framework for Calibrated Uncertainty Estimation in Sequence Prediction [19.710390261102113]
  離散列の分布に付随する確率と信頼区間を推定するモンテカルロフレームワークを提案する。 我々のフレームワークは、自己回帰学習ニューラルネットワークとして実装されたモンテカルロシミュレータを使用して、画像入力に条件付きシーケンスをサンプリングする。 合成および実データの実験では、このフレームワークは正確な識別予測を生成するが、誤校正に悩まされる可能性がある。
  論文  参考訳（メタデータ） (2024-10-30T17:53:37Z)
• Collapsed Inference for Bayesian Deep Learning [36.1725075097107]
  本稿では,崩壊サンプルを用いたベイズモデル平均化を行う新しい崩壊予測手法を提案する。 崩壊したサンプルは、近似後部から引き出された数え切れないほど多くのモデルを表す。 提案手法は, スケーラビリティと精度のバランスをとる。
  論文  参考訳（メタデータ） (2023-06-16T08:34:42Z)
• User-defined Event Sampling and Uncertainty Quantification in Diffusion Models for Physical Dynamical Systems [49.75149094527068]
  拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。 本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。 推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
  論文  参考訳（メタデータ） (2023-06-13T03:42:03Z)
• Non-Probability Sampling Network for Stochastic Human Trajectory Prediction [16.676008193894223]
  歩行者の軌跡予測を組み込むためには,マルチモーダルな性質の獲得が不可欠である。 本稿では,従来のランダムサンプリングの代替として,サンプリング空間の均一なカバレッジを確保するQuasi-Carlo法を提案する。 我々は、学習可能なサンプリングネットワークを既存のネットワークに導入し、軌道予測を行う。
  論文  参考訳（メタデータ） (2022-03-25T06:41:47Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• Sampling-free Variational Inference for Neural Networks with Multiplicative Activation Noise [51.080620762639434]
  サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。 提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
  論文  参考訳（メタデータ） (2021-03-15T16:16:18Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)

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。