論文の概要: Uncertainty Evaluation: Bridging Machine Learning and Measurement Science
- arxiv url: http://arxiv.org/abs/2610.18066v1
- Date: Tue, 13 Oct 2026 09:51:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.582921
- Title: Uncertainty Evaluation: Bridging Machine Learning and Measurement Science
- Title（参考訳）: 不確実性評価:ブリッジング機械学習と計測科学
- Abstract要約: 本稿では,機械学習(ML)における不確実性評価と測定科学における概念的類似性について考察する。
このアプローチは、個々の予測の信頼性を評価するために、厳密で一貫性があり、移行可能なフレームワークを提供するかもしれない、と論じている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reliable uncertainty evaluation is essential for assessing the trustworthiness of machine learning (ML) predictions, particularly in safety-critical applications. This paper explores conceptual analogies between uncertainty evaluation in ML and measurement science, drawing on the evolution of metrology from error-based approaches to the framework established by the Guide to the Expression of Uncertainty in Measurement (GUM). Particular attention is devoted to the distinction between process-level and result-level quality and to the limitations of the conventional classification of ML uncertainty into aleatoric and epistemic components. It is argued that this dichotomy, similarly to the traditional distinction between random and systematic measurement errors, is inherently model-dependent and provides an insufficient basis for a unified uncertainty evaluation framework. Further analogies between machine learning and measurement field of knowledge are identified concerning distribution shifts, anomalous operating conditions, and the validity of uncertainty evaluation. Building on the proposed considerations, the paper advocates a metrology-inspired approach based on the systematic identification, quantification, and propagation of uncertainty contributions. By extending the methodology already established in measurement science to ML, this approach could offer a potentially rigorous, consistent, and transferable framework for evaluating the trustworthiness of individual predictions.
- Abstract（参考訳）: 機械学習(ML)予測の信頼性を評価するためには、信頼性の高い不確実性評価が不可欠である。
本稿では,MLにおける不確実性評価と測定科学における概念的類似性について考察し,誤差に基づくアプローチから計測の不確実性表現ガイド(GUM)が確立したフレームワークへのメタロロジーの進化を考察する。
特に、プロセスレベルの品質と結果レベルの品質の区別と、従来のML不確実性のアレタリック成分とてんかん成分への分類の限界に焦点が当てられている。
この二分法は、従来のランダムな測定誤差と系統的な測定誤差の区別と同様、本質的にモデル依存であり、統一された不確実性評価フレームワークに不十分な基盤を提供すると論じられている。
分散シフト,異常動作条件,不確実性評価の妥当性について,機械学習と知識測定分野のさらなる類似を同定した。
提案した考察に基づいて,不確実性貢献の体系的同定,定量化,伝播に基づく,気象に触発されたアプローチを提唱する。
計測科学で確立された方法論をMLに拡張することで、このアプローチは個々の予測の信頼性を評価するための厳密で一貫性があり、伝達可能なフレームワークを提供することができる。
関連論文リスト
- Concerning Uncertainty -- A Systematic Survey of Uncertainty-Aware XAI [2.204918347869259]
本稿では、不確実性が説明可能な人工知能(UAXAI)にどのように組み込まれるかを検討する。
不確実性に対する3つの繰り返しアプローチが出現する。信頼度の評価、モデルや説明の制約、不確実性を明確に伝達する。
UAXAIの進歩には、不確実性伝播、堅牢性、人間による意思決定を結びつける統一的な評価原則が必要であると我々は主張する。
論文 参考訳（メタデータ） (2026-03-27T08:07:18Z) - No Single Metric Tells the Whole Story: A Multi-Dimensional Evaluation Framework for Uncertainty Attributions [0.31498833540989407]
入力特徴に起因して予測の不確実性を説明する手法が提案されている。
本稿では, 正確性, 一貫性, 連続性, コンパクト性に関する具体的実装を提案する。
我々は,不確実性定量化と特徴帰属法を組み合わせた8つの指標を用いた評価枠組みを実証した。
論文 参考訳（メタデータ） (2026-03-25T17:02:13Z) - Towards Reliable LLM-based Robot Planning via Combined Uncertainty Estimation [68.106428321492]
大規模言語モデル (LLM) は高度な推論能力を示し、ロボットが自然言語の命令を理解し、適切な接地で高レベルな計画を生成することができる。
LLMの幻覚は重大な課題であり、しばしば過度に信頼され、不一致または安全でない計画に繋がる。
本研究は, 信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性・信頼性評価を別々に評価するものである。
論文 参考訳（メタデータ） (2025-10-09T10:26:58Z) - An Axiomatic Assessment of Entropy- and Variance-based Uncertainty Quantification in Regression [26.822418248900547]
教師付き回帰における不確実性対策を厳格に評価するために,一連の公理を導入する。
我々は、不確実性表現とそれに対応する不確実性尺度に対する一般的なアプローチを一般化する。
本研究は,信頼性の高い不確実性評価のための理論的知見と実践的ガイドラインを提供する。
論文 参考訳（メタデータ） (2025-04-25T15:44:46Z) - 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) - A Survey of Uncertainty Estimation in LLMs: Theory Meets Practice [7.687545159131024]
我々は、不確実性と信頼の定義を明確にし、それらの区別とモデル予測への含意を明らかにする。
本稿では,アプローチから導いた不確実性推定手法を分類する。
また,分布外検出,データアノテーション,質問の明確化など,多様なアプリケーションに不確実性をもたらす技術についても検討する。
論文 参考訳（メタデータ） (2024-10-20T07:55:44Z) - A Structured Review of Literature on Uncertainty in Machine Learning & Deep Learning [0.8667724053232616]
我々は、リスクに敏感なアプリケーション、すなわち不確実性を理解し、定量化するアプリケーションにおいて、機械学習を適応するための重要な関心事に焦点を当てる。
本稿では,このトピックを構造化した方法でアプローチし,不確実性がMLプロセスに封入されているというさまざまな側面の文献をレビューする。
このレビューの主な貢献は、不確実性議論の範囲を広げ、Deep Learningにおける不確実性定量化手法のレビューを更新することである。
論文 参考訳（メタデータ） (2024-06-01T07:17:38Z) - DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。
一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文 参考訳（メタデータ） (2021-02-16T23:50:35Z) - Uncertainty as a Form of Transparency: Measuring, Communicating, and
Using Uncertainty [66.17147341354577]
我々は,モデル予測に関連する不確実性を推定し,伝達することにより,相補的な透明性の形式を考えることについて議論する。
モデルの不公平性を緩和し、意思決定を強化し、信頼できるシステムを構築するために不確実性がどのように使われるかを説明する。
この研究は、機械学習、可視化/HCI、デザイン、意思決定、公平性にまたがる文学から引き出された学際的レビューを構成する。
論文 参考訳（メタデータ） (2020-11-15T17:26:14Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-02-13T15:55:32Z)
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。