論文の概要: Prediction Uncertainty Controlled Computer Model Calibration

• arxiv url: http://arxiv.org/abs/2610.31163v1
• Date: Thu, 22 Oct 2026 12:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.370901
• Title: Prediction Uncertainty Controlled Computer Model Calibration
• Title（参考訳）: 予測不確かさ制御による計算機モデル校正
• Abstract要約: 予測誤発見を直接対象とする2層フレームワークを提案する。 まず、条件付きフローマッチングモデルにより、キャリブレーションパラメータの補正後部を学習する。 第二に、共形リスク制御は、ターゲット観測のための後引きをネストした候補セットに配置する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computer-model calibration is usually undertaken in service of prediction, yet neither Bayesian Kennedy-O'Hagan (KOH) calibration nor amortized simulation-based inference is built to control the predictive error of the calibrated simulator. When parameters are weakly identified or the data-model discrepancy is misspecified, the simulator-output bands induced by a nominal posterior level can be far from nominal. We propose a two-layer framework that targets predictive miscoverage directly. First, a conditional flow-matching model learns an amortized posterior for the calibration parameters, trained on simulator outputs perturbed with Gaussian-process discrepancies of varying structure. Second, conformal risk control arranges posterior draws for the target observation into nested candidate sets and selects the smallest one whose fixed-rank pointwise bands attain a prescribed time-averaged miscoverage on a synthetic calibration sample. Under exchangeability of calibration and target observations, the bands control expected miscoverage in finite samples. In a synthetic benchmark, the proposed bands are roughly 20% the width of KOH-MCMC bands with miscoverage near the 10% target. In calibrating an age-structured SEIR model to the 2010 Malawi measles outbreak, they are again sharper and near-nominal, and the weeks they fail to cover coincide with the asymmetric epidemic decline, exposing structural inadequacy of the mechanistic model.
• Abstract（参考訳）: コンピュータ・モデル・キャリブレーションは通常、予測のために行われるが、ベイジアン・ケネディ・オハガン(KOH)のキャリブレーションも、キャリブレーションされたシミュレータの予測誤差を制御するために、補正されたシミュレーションベースの推論も作られていない。 パラメータが弱い場合やデータモデルの不一致が誤特定されると、名目後レベルによって誘導されるシミュレータ出力帯域は名目から遠くない。 予測誤発見を直接対象とする2層フレームワークを提案する。 まず, 条件付き流れマッチングモデルを用いて, キャリブレーションパラメータの補正後部を学習し, 様々な構造を持つガウス過程の相違によるシミュレーション出力に基づいて学習する。 第二に、共形リスク制御は、目標観測のための後引きをネストした候補セットに配置し、合成校正サンプル上で、所定の時間平均誤発見を達成した固定ランクのポイントワイドバンドを最小に選択する。 キャリブレーションとターゲット観測の交換性の下では、バンドは有限サンプルの予測誤発見を制御する。 合成ベンチマークでは、提案したバンドは、約20%の幅で、10%の目標付近で誤発見されている。 年齢構成のSEIRモデルを2010年マラウイの麻疹流行の度合いに調整する際、それらは再び鋭く、ほぼ最小であり、カバーできない数週間は非対称的な流行の減少と一致し、機械モデルの構造的不適切さが露呈する。

関連論文リスト

• SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
  シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。 決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。 NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
  論文  参考訳（メタデータ） (2026-08-21T07:20:22Z)
• A Bayesian latent Gaussian process framework for aerodynamic uncertainty quantification [0.0]
  実験により,低忠実度計算予測のキャリブレーション方法を示す。 希薄な測定データを用いて, 希薄な低忠実度データから得られたサロゲートモデルを校正する。 本モデルでは,外挿入力設定を含む空力係数の不確かさを高精度に予測する。
  論文  参考訳（メタデータ） (2026-06-27T11:29:30Z)
• Perturb and Correct: Post-Hoc Ensembles using Affine Redundancy [0.0]
  P&C(Perturb-and-Correct)は,1つの事前学習ネットワークから多様な予測器を構築する手法である。 P&Cは後続のアフィン層に最小二乗補正を施したランダムな隠れ層摂動を適用し、キャリブレーションデータに同意する予測器を発生させる。 実証的には、P&C は MuJoCo の動的予測と CIFAR-10 OOD 検出にまたがる強力な ID/OOD トレードオフを実現している。
  論文  参考訳（メタデータ） (2026-05-02T22:48:11Z)
• Normalizing Flows for Conformal Regression [0.0]
  Conformal Prediction (CP)アルゴリズムは、ラベル付きデータに基づいて出力を校正することで予測モデルの不確実性を推定する。 キャリブレーション過程をトレーニングすることで、間隔をローカライズする一般的なスキームを提案する。 PapadopoulosらによるError Reweighting CPアルゴリズム(2008年)とは異なり、このフレームワークは名目と経験的条件の妥当性のギャップを推定できる。
  論文  参考訳（メタデータ） (2024-06-05T15:04:28Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。