論文の概要: Uncertainty Quantification in Pairwise Difference Learning for Classification
- arxiv url: http://arxiv.org/abs/2610.21554v1
- Date: Thu, 15 Oct 2026 09:15:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.300234
- Title: Uncertainty Quantification in Pairwise Difference Learning for Classification
- Title（参考訳）: ペアワイズ差分学習における不確かさの定量化
- Abstract要約: ペアワイズ差分学習(PDL)の鍵となる考え方は、2つのインスタンスを入力として取り、それぞれの結果の違いを予測する関数を学習することである。
本稿では,分類作業のためのPDLのバージョンを提案し,その目的に適したメタラーニング手法を提案する。
- 参考スコア（独自算出の注目度）: 26.073347035678342
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instead of learning a mapping from instances to outcomes in the standard way, the key idea of pairwise difference learning (PDL) is to learn a function that takes two instances as input and predicts the difference between the respective outcomes. Given a function of this kind, predictions for a query instance are derived from every training example and then averaged. We propose a version of PDL for the task of classification and propose a suitable meta-learning technique for this purpose. Moreover, we address the problem of uncertainty quantification, i.e., of representing and quantifying the uncertainty of a PDL classifier's predictions in a faithful manner. Building on recent work on the decomposition of total uncertainty into aleatoric and epistemic components, we propose different ways of extending corresponding measures to the setting of PDL, depending on how and to what extent uncertainty is represented by the underlying base learner. In large-scale empirical studies, we analyze both the predictive accuracy and the uncertainty awareness of our PDL classifier.
- Abstract（参考訳）: 標準的な方法でインスタンスから結果へのマッピングを学ぶ代わりに、ペアワイズ差分学習(PDL)のキーとなるアイデアは、2つのインスタンスを入力として取り込む関数を学習し、それぞれの結果の違いを予測することである。
このような関数が与えられた場合、クエリインスタンスの予測はトレーニングのすべての例から導出され、平均化されます。
本稿では,分類作業のためのPDLのバージョンを提案し,その目的に適したメタラーニング手法を提案する。
さらに、PDL分類器の予測の不確かさを忠実に表現し、定量化する不確実性定量化の問題に対処する。
総不確実性の分解に関する最近の研究に基づいて, 基礎学習者がどの程度の不確実性を表現するかによって, 対応する指標をPDLの設定に拡張する方法が提案されている。
大規模実証実験では, PDL分類器の予測精度と不確実性の両方を解析した。
関連論文リスト
- Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty [38.040646841317965]
本研究では,不確かさを予測分布の集合として表すクレダルセットの定式化を提案する。
我々はこのアイデアを2つの不整合不確実性ヘッドを持つ変分クレダル概念ボトルネックモデルでインスタンス化する。
論文 参考訳（メタデータ） (2026-02-11T10:54:57Z) - In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning [51.56484100374058]
本稿では,ICLリスクをベイズギャップとポストリアバリアンスの2つのコンポーネントに分割する基本的リスク分解を導入する。
一様アテンション変換器の場合、このギャップの非漸近上界を導出し、事前学習プロンプトの数への依存を明確にする。
後方変動は本質的なタスクの不確実性を表すモデルに依存しないリスクである。
論文 参考訳（メタデータ） (2025-10-13T03:42:31Z) - Post-hoc Probabilistic Vision-Language Models [54.05237186168399]
視覚言語モデル(VLM)は、分類、検索、生成タスクにおいて顕著な成功を収めている。
追加トレーニングを必要としないVLMにおけるポストホック不確実性評価を提案する。
この結果から,大規模モデルの安全性クリティカルな応用が期待できることがわかった。
論文 参考訳（メタデータ） (2024-12-08T18:16:13Z) - Pairwise Difference Learning for Classification [19.221081896134567]
PDL(Pairwise difference learning)は、最近、回帰のための新しいメタラーニング技術として導入されている。
元のトレーニングデータのペアバージョン上で、適切に定義された(バイナリ)分類問題を解くことにより、PDLを分類タスクに向けて拡張する。
PDLの実装はPythonパッケージで簡単に利用でき、公開されています。
論文 参考訳（メタデータ） (2024-06-28T16:20:22Z) - 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) - Ensemble-based Uncertainty Quantification: Bayesian versus Credal
Inference [0.0]
我々は、不確実性定量化に対するアンサンブルに基づくアプローチを検討する。
具体的には,いわゆる干潟集合に基づくベイズ的手法とアプローチに着目する。
拒否オプションを用いた分類に関する実証的研究において, 対応する尺度の有効性を評価し, 比較した。
論文 参考訳（メタデータ） (2021-07-21T22:47:24Z) - Uncertainty Quantification in Extreme Learning Machine: Analytical
Developments, Variance Estimates and Confidence Intervals [0.0]
不確かさの定量化は、機械学習モデルの予測品質を評価するために不可欠である。
文献で提案されるほとんどの手法は、データに対して強い仮定を行い、入力重みのランダム性を無視したり、信頼区間推定におけるバイアス寄与を無視したりする。
本稿では,これらの制約を克服し,EMMの多様性の理解を向上させる新しい推定法を提案する。
論文 参考訳（メタデータ） (2020-11-03T13:45:59Z)
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。