論文の概要: Predicting silent failures of learned inference under restricted access: what measurement physics and prior information explain

• arxiv url: http://arxiv.org/abs/2610.28155v1
• Date: Tue, 20 Oct 2026 12:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.822812
• Title: Predicting silent failures of learned inference under restricted access: what measurement physics and prior information explain
• Title（参考訳）: 制限されたアクセス下での学習推論の無音障害予測--物理と事前情報による説明
• Abstract要約: 学習された事前は、測定がほとんど届かない領域を再構築するために使用される。 静かな失敗はここで予測できるが、その構造は主に、学習済みの学習結果からではなく、測定アクセスと決定量から導かれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned priors are used to reconstruct regions that measurements barely reach, and to report uncertainty there. They can fail silently: the reported interval excludes the truth while every ground-truth-free diagnostic stays within its noise. We call such errors the blind set and ask whether they can be predicted before the target data are seen. For a correctly specified linear-Gaussian model averaged over the prior, the risk of a silent failure factorises exactly into non-detection and non-coverage, which does not hold for learned systems in general; we build a score that approximates this reference by linearising a VAE prior. In a prospective study on real X-ray CT objects (2DeteCT) under simulated restricted access, with predictions committed by hash before any trial, the score ranked the realised blindness of two learned inference systems (latent Laplace and ensemble Kalman inversion) with Spearman $ρ= 0.79$ and 0.84 over 240 pre-specified errors. Simple structural predictors would also have passed these tests. Sequential post-hoc analyses, each specified before its own computation, show that under bounded reach the learned score gave no detectable improvement over a physics-based baseline, in rankings or trial-level log scores. At the weakest attenuation studied, prior information improved rankings over the physics-based baseline, most clearly for ensemble Kalman inversion, but a Gaussian prior did as well and the gain was not detectable at the trial level. The score is not a calibrated probability. Silent failures can be anticipated here, but their structure follows mainly from measurement access and the decision quantity rather than from the learned prior.
• Abstract（参考訳）: 学習済みの事前情報は、測定がほとんど届かない地域を再構築し、不確実性を報告するために使用される。 報告された間隔は真実を排除し、すべての地道な診断はそのノイズの中に留まる。 このようなエラーをブラインドセットと呼び、ターゲットデータを見る前に予測できるかどうかを問う。 事前平均化された正則線形ガウスモデルの場合、無声故障のリスクは、一般に学習システムには当てはまらない非検出および非被覆に正確に分解される。 シミュレーションされた制限されたアクセス下での実際のX線CTオブジェクト(2DeteCT)について、任意の試行の前にハッシュによる予測を行い、スコアはSpearman $ρ= 0.79$ と 0.84 over 240 の事前指定エラーで、2つの学習された推論システム(ラプラスおよびアンサンブルカルマンの反転)の盲点をランク付けした。 単純な構造予測器もこれらの試験に合格しただろう。 逐次的ポストホック解析は、それぞれが計算の前に特定され、学習されたスコアの限界の下では、ランキングや試行レベルのログスコアにおいて、物理ベースのベースラインよりも検出可能な改善が得られなかったことを示している。 最も弱い減衰で、先行情報は物理学に基づく基底線よりも格付けが向上し、特にアンサンブル・カルマンの逆転が顕著になったが、ガウスの先行は同様に行われ、試行レベルでの利得は検出されなかった。 スコアはキャリブレーションされた確率ではありません。 静かな失敗はここで予測できるが、その構造は主に、学習済みの学習結果からではなく、測定アクセスと決定量から導かれる。

関連論文リスト

• Radiomap Blind Prediction under Incomplete Observation: Error Characterization and Correctable Propagation-Prior Learning [82.201505479186]
  レーダマップブラインド予測は,観測可能な伝搬環境の表現と基地局構成から,フィールド計測なしで電波マップを推定することを目的としている。 不完全な観察の下で、決定論的無線マップブラインド予測の人口レベル理論を確立した。 我々は,RadioDecompが事前誘導予測器を補正可能なベースとして扱い,残差補正によりその残差を学習することを示す。
  論文  参考訳（メタデータ） (2026-09-26T18:08:41Z)
• Measure, Don't Optimize: Forecasting Recovery in LLM Unlearning [57.920153607557744]
  J-Accessは、モデル出力経路に沿ってターゲット概念がアクセス可能な頻度を測定する推論時監査である。 我々は8つの未学習手法にまたがる398の公開未学習モデルを監査する。
  論文  参考訳（メタデータ） (2026-08-11T20:16:20Z)
• Conformal calibration and look-elsewhere effect in anomaly detection for new-physics searches [0.0]
  機械学習による異常検出は、新しい物理学の探索を再構築している。 本稿では,共形予測に基づく校正層を提案する。
  論文  参考訳（メタデータ） (2026-06-11T18:00:02Z)
• A prior-free blind detection of information leakage from model predictions [0.0]
  本稿では,リーク診断が予測リスク/アウトカム則の関数となる決定論的枠組みを提案する。 正当モデルの校正と識別に適合する校正されたリークは、予測の空白関数により、正直な性能と区別できない。 ほぼ決定論的部分群は、非決定論的結果の正当な予測者が製造できない持続的単位純度ヘッドを生成する。
  論文  参考訳（メタデータ） (2026-06-09T05:13:03Z)
• Spiking the training data to correct for test set contamination [28.940486760749025]
  そこで本研究では,テスト例を意識的に既知の速度で汚染することにより,トレーニングデータをスパイクする手法を提案する。 スパイクされた例は、インフレーションされたテストスコアの統計的補正を可能にするモデル記憶の予測器の校正に使用することができる。
  論文  参考訳（メタデータ） (2026-05-24T02:06:59Z)
• Proprioceptive-only State Estimation for Legged Robots with Set-Coverage Measurements of Learned Dynamics [7.713910967779935]
  プロプリオセプティブのみの状態推定は、計算的に安価であり、知覚的に劣化した条件の影響を受けないため、脚付きロボットにとって魅力的である。 近年のアプローチでは、ガウス雑音仮定の下で、これらの推定を学習された測定モデルを用いて生成し、IMUデータと融合する。 本研究では,任意の分布を仮定しない集合被覆文を用いて測定ノイズを特徴付けるフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-18T21:48:18Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
  不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。 皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
  論文  参考訳（メタデータ） (2023-07-05T10:33:45Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)

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。