論文の概要: An end-to-end framework for uncertainty-aware validation of generative models

• arxiv url: http://arxiv.org/abs/2610.37398v1
• Date: Tue, 27 Oct 2026 15:17:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.674548
• Title: An end-to-end framework for uncertainty-aware validation of generative models
• Title（参考訳）: 生成モデルの不確実性を考慮した検証のためのエンドツーエンドフレームワーク
• Abstract要約: 既存の機械学習技術には、統計的テストに伝播できる不確実性を定量化する方法がない。 本稿では,密度推定と原理的不確実性定量化を組み合わせたエンドツーエンドフレームワークSIGMAを提案する。 制御された2次元玩具モデルと,QCD背景過程をモデル化したコライダー物理ベンチマークのフレームワークを実演する。
• 参考スコア（独自算出の注目度）: 0.0431528684314271
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Density estimation with generative models is a common task in the physical sciences, for example in background estimation in particle physics. Existing machine learning techniques, however, lack methods to quantify uncertainties that can be propagated into a statistical test. That limits the validation of generative models to standard goodness-of-fit tests, in which the generative model is treated as exact (point-null hypothesis). But a model fitted to a finite training set is never exact, so if its uncertainties are neglected, any sufficiently powerful goodness-of-fit test will eventually reject it once the test set is large enough to resolve this estimation error. We propose SIGMA, an end-to-end framework combining density estimation with principled uncertainty quantification. We use Gaussian mixture models, for which uncertainties are tractable, and further construct a new goodness-of-fit test in which these uncertainties are profiled as nuisance parameters to account for the statistical error of the fit, promoting the conventional point-null test to a composite one. A rejection then signals genuine mismodeling rather than a test set large enough to resolve the error of the fit, provided the propagated uncertainties faithfully cover that error. We demonstrate the framework on a controlled two-dimensional toy model and on a collider physics benchmark modeling the QCD background process. With uncertainties included, the same model can be trusted on test sets up to an order of magnitude larger than the standard test allows. Our work thus provides a statistically grounded basis for a robust use of generative models in the physical sciences.
• Abstract（参考訳）: 生成モデルによる密度推定は、例えば素粒子物理学における背景推定において、物理科学において一般的な課題である。 しかし、既存の機械学習技術には、統計的テストに伝達される不確実性を定量化する方法がない。 これにより、生成モデルの検証は、生成モデルを正確に扱う(ポイント・ヌル仮説)標準的な適合性テストに制限される。 しかし、有限のトレーニングセットに適合するモデルは必ずしも正確ではないため、不確かさが無視された場合、テストセットがこの推定誤差を解くのに十分な大きさであれば、十分に強力な適合性テストは最終的に拒否される。 本稿では,密度推定と原理的不確実性定量化を組み合わせたエンドツーエンドフレームワークSIGMAを提案する。 我々は,不確かさを抽出可能なガウス混合モデルを用いて,これらの不確かさを不確実性パラメータとしてプロファイルし,適合の統計的誤差を考慮し,従来のポイントヌル試験を合成試験に促進する新しい適合性テストを構築した。 その後の拒絶は、適合の誤りを解決するのに十分な大きさの試験セットではなく、真の誤モデリングを信号し、伝播した不確実性がその誤りを忠実にカバーする。 制御された2次元玩具モデルと,QCD背景過程をモデル化したコライダー物理ベンチマークのフレームワークを実演する。 不確実性を含む場合、同じモデルを標準テストが許容するよりも桁違いに大きいテストセットで信頼することができる。 我々の研究は、物理科学における生成モデルの堅牢な利用のための統計的基盤を提供する。

関連論文リスト

• Another Fit Bites the Dust: Conformal Prediction as a Calibration Standard for Machine Learning in High-Energy Physics [0.0]
  等角予測は任意の予測モデルを校正するための分布自由フレームワークを提供する。 回帰,二分分類,多クラス分類,異常検出,生成モデルなどに適用可能であることを示す。 我々は、コライダー物理における機械学習パイプラインの標準コンポーネントとして、共形校正を採用するべきであると論じる。
  論文  参考訳（メタデータ） (2025-12-18T20:31:25Z)
• Measuring and Modeling Uncertainty Degree for Monocular Depth Estimation [50.920911532133154]
  単分子深度推定モデル(MDE)の本質的な不適切さと順序感性は、不確かさの程度を推定する上で大きな課題となる。 本稿では,MDEモデルの不確かさを固有確率分布の観点からモデル化する。 新たなトレーニング正規化用語を導入することで、驚くほど単純な構成で、余分なモジュールや複数の推論を必要とせずに、最先端の信頼性で不確実性を推定できる。
  論文  参考訳（メタデータ） (2023-07-19T12:11:15Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Composite Goodness-of-fit Tests with Kernels [21.31083353434396]
  本稿では,難解な複合テスト問題に対するカーネルベースの仮説テストを提案する。 実験では,最小距離推定器を用いて,最大平均誤差とカーネルのStein誤差を推定した。 主な結果として、パラメータを推定し、正しいテストレベルを維持しながら、同じデータ上でテストを実行することができることを示す。
  論文  参考訳（メタデータ） (2021-11-19T15:25:06Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)

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。