論文の概要: Neural Networks with Differentiable Belief-Function Layers
- arxiv url: http://arxiv.org/abs/2610.30173v1
- Date: Sun, 18 Oct 2026 21:15:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.074843
- Title: Neural Networks with Differentiable Belief-Function Layers
- Title（参考訳）: 可変層を有するニューラルネットワーク
- Abstract要約: 我々は、バックプロパゲーションが、Yagerの1987年のコンビネーション$boxplus$のルールと同じルールを必要とすることを観察する。
ヘッドから出力までのチェーン内のすべての質量は有効なデンプスター-シェーファー質量関数である。
無知集合の出力質量$m()$は、ネットワークの「知らない」信号として機能する。
- 参考スコア（独自算出の注目度）: 0.15229257192293197
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Yager's 1987 rule of combination $\boxplus$ was proposed on epistemic grounds: under high conflict, mass should be redistributed to ignorance rather than renormalised onto the class simplex. We observe that backpropagation needs the same rule: Dempster's normaliser $(1{-}κ)^{-1}$, where $κ$ is the conflict mass, puts a $(1{-}κ)^{-2}$ term in the gradient that diverges exactly when evidence sources disagree, while Yager's $\boxplus$ is bilinear and has no such term. Building on this, we construct a deep evidential pipeline in which every mass in the chain from heads to output is a valid Dempster--Shafer mass function, combined by Yager's rule. The output mass on the ignorance set, $m(Θ)$, serves as the network's ``I do not know'' signal. The network is fit to hard labels and never sees an annotator distribution, yet $m(Θ)$ orders human disagreement in two modalities, visual and linguistic. Dempster's rises too and ranks contested inputs about as well, but its normaliser divides the conflict out: Yager's vacuity is $9\times$ larger on the most contested CIFAR-10H images, so only Yager's is readable as an amount of ignorance without recalibration. For out-of-distribution detection it is competitive with strong single-pass baselines, while the clamped Dempster variant that scores higher becomes gradient-unstable once the clamp is removed.
- Abstract（参考訳）: イェーガーの1987年の組合せの規則である$\boxplus$は、疫学的な理由から提案された: 高い対立の下では、質量はクラス単純体に再正規化されるのではなく、無知に再分配されるべきである。
Dempster's normaliser $(1{-}κ)^{-1}$, where $κ$ is the conflict mass, put a $(1{-}κ)^{-2}$ term in the gradient that put a $(1{-}κ)^{-2}$ term that makes exactly diverges that evidence sources disagree, while Yager's $\boxplus$ is bilinear and no such term。
これに基づいて、ヘッドからアウトプットまでのチェーン内のすべての質量が有効なデンプスター-シェーファー質量関数であり、イェーガーの法則と組み合わせたディープ・クリアアル・パイプラインを構築する。
無知集合の出力質量は$m(a)$で、ネットワークの ``I do not know'' 信号として機能する。
このネットワークはハードラベルに適合し、アノテーターの分布を見ることは決してないが、$m( )$ は視覚と言語という2つのモードで人間の意見の相違を命令する。
ヤガーの空白度は、最も競合するCIFAR-10H画像上では9\times$大きすぎるので、ヤガーだけが再校正なしで無知の量として読むことができる。
アウト・オブ・ディストリビューション検出では、強いシングルパスベースラインと競合するが、クランプが取り除かれると、より高いスコアのクランプされたデンプスター変種は勾配が不安定になる。
関連論文リスト
- Sharp Quantum Entropy Mixing Rates and the Operator Layer Cake Theorem [51.56484100374058]
ブラヴィイはバイナリアンサンブルの混合速度を制御する小さな増分混合予想を提案した。
Marin, Audenaert, Van Acoleyen, and Verstraete の予想を可換作用素の正確な積分表現を用いて証明する。
また、一般アンサンブルの混合率に対するリーブとヴェルシニナの予想を補正する。
論文 参考訳（メタデータ） (2026-09-30T14:19:59Z) - Decoherence-controlled collective criticality in a two-dimensional quantum Stag Hunt [0.0]
物理的デコヒーレンス(英語版)は、量子ゲームの微視的戦略的中立性状態を保存することができる。
このことをEisert--Wilkens--Lewenstein (textitEWL) スタッグハント (Stag Hunt) が立方体格子上の独立近傍の遭遇として埋め込まれていることを示す。
論文 参考訳（メタデータ） (2026-09-02T04:20:17Z) - Global vs. Product Observables in Bipartite Quantum Systems: The Sharp Bound [2.8306777063189004]
結果のノルムの急激な普遍比較を証明した。
同じ鋭い定数が、トレースノルムで測定された二部相関と相関関数で測定された二部相関のギャップを支配していることを示す。
論文 参考訳（メタデータ） (2026-08-06T16:22:36Z) - Decoherence as Defence and the Magnitude of Noise Regularisation: A Rigorous N -Qubit Theory of Stochastic Quantum Neural Networks for Adversarially Robust Network Intrusion Detection [0.0]
マスター方程式とそのベクトル化されたリウビリアンによる$N$-qubitの定式化を与える。
エンフェデコヒーレンス・コントラクションの定理、すなわち強度の非分極チャネルを証明します。
このロバスト性は、アタックタイムの収縮ではなく、ノイズの変形したトレーニング境界から生じることを示す。
論文 参考訳（メタデータ） (2026-06-23T07:06:56Z) - Odds Law: The Decomposition Algebra On How Intelligence Organizes Itself to Solve Difficult Problems Reliably [0.5414847001704247]
信頼性は、合成によって配置された独立した情報で購入され、検証者によって拘束されることを示す。
つまり、信頼性は自由でも魔法でもなく、独立した情報で購入され、構成によって配置され、検証者によって拘束される。
論文 参考訳（メタデータ） (2026-06-14T09:53:11Z) - Self-Normalized Martingales and Uniform Regret Bounds for Linear Regression [65.82017723631897]
自己正規化マルティンガレのスケール不変上界が可能であることを示す。
通常の正規化ペナルティを含まない自己正規化濃度不等式を導出する。
論文 参考訳（メタデータ） (2026-05-02T22:39:00Z) - Variance-Aware Sparse Linear Bandits [64.70681598741417]
余分な線形包帯に対する最悪のミニマックスは$widetildeThetaleft(sqrtdTright)$である。
ノイズがなく、アクションセットが単位球面である良性設定では、ディビジョン・アンド・コンカーを使用して、$widetildemathcal O(1)$ regretを達成することができる。
我々は,任意の分散対応線形帯域幅アルゴリズムを分散対応線形帯域幅アルゴリズムに変換する汎用フレームワークを開発した。
論文 参考訳（メタデータ） (2022-05-26T15:55:44Z) - Variance-Aware Confidence Set: Variance-Dependent Bound for Linear
Bandits and Horizon-Free Bound for Linear Mixture MDP [76.94328400919836]
線形バンドイットと線形混合決定プロセス(mdp)に対する分散認識信頼セットの構築方法を示す。
線形バンドイットに対しては、$d を特徴次元とする$widetildeo(mathrmpoly(d)sqrt1 + sum_i=1ksigma_i2) が成り立つ。
線形混合 MDP に対し、$widetildeO(mathrmpoly(d)sqrtK)$ regret bound を得る。
論文 参考訳（メタデータ） (2021-01-29T18:57:52Z) - Towards Defending Multiple $\ell_p$-norm Bounded Adversarial
Perturbations via Gated Batch Normalization [120.99395850108422]
既存の敵防衛は、個々の摂動に対するモデル堅牢性を改善するのが一般的である。
最近の手法では、複数の$ell_p$球における敵攻撃に対するモデルロバスト性を改善するが、各摂動型に対するそれらの性能は、まだ十分ではない。
我々は,複数の$ell_pの有界摂動を守るために,摂動不変予測器を逆向きに訓練するGated Batch Normalization (GBN)を提案する。
論文 参考訳（メタデータ） (2020-12-03T02:26:01Z) - Defining quantum divergences via convex optimization [12.462608802359936]
凸最適化プログラムによって定義される、新しい量子 R'enyi divergence $D#_alpha$ for $alpha in (1,infty)$ を導入する。
この新たな発散の重要な性質は、その正則化がサンドイッチ化された(最小の)量子 R'enyi 発散と等しいことである。
論文 参考訳（メタデータ） (2020-07-24T15:28:44Z) - Curse of Dimensionality on Randomized Smoothing for Certifiable
Robustness [151.67113334248464]
我々は、他の攻撃モデルに対してスムースな手法を拡張することは困難であることを示す。
我々はCIFARに関する実験結果を示し,その理論を検証した。
論文 参考訳（メタデータ） (2020-02-08T22:02:14Z)
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。