論文の概要: Grounding Predictive Reliability through Masked Observability
- arxiv url: http://arxiv.org/abs/2610.39728v1
- Date: Thu, 29 Oct 2026 09:57:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.4895
- Title: Grounding Predictive Reliability through Masked Observability
- Title（参考訳）: マスク観測可能性によるグラウンドディング予測信頼性
- Abstract要約: MORSEは、可視的コンテキストにおける制御された変更の下で、同じ隠れターゲットを予測する。
条件平均とデータスケールの目的は、条件平均とデータスケールを学習する。
MORSEはまた、PTB-XL上の低ラベル転送とIMPTC上の分布内軌道予測を改善している。
- 参考スコア（独自算出の注目度）: 7.108925966369081
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An uncertainty estimate is meaningful only if its semantics can be tied to observable predictive behavior. Normal-Inverse-Gamma (NIG) evidential regression provides a structured decomposition of predictive variability into data-scale and predictive-mean components, but marginal likelihood does not identify their allocation. We address this semantic ambiguity in masked representation learning. MORSE (Masked Observability for Reliable Structured Encoding) predicts the same hidden target under controlled changes in visible context and uses normalized cross-context variation to ground predictive-mean uncertainty, while a Gaussian objective learns the conditional mean and data scale. The normalized variation plays the role of the NIG factor $1/ν$, which the marginal leaves unidentified; this yields a policy-relative observability variance that measures dependence on visible evidence, distinct from variation induced by resampling the training set. On a Gaussian-process benchmark with a contextual reference built from analytic Bayes conditional means, MORSE has the lowest log-variance error among compared evidential, ensemble, and dropout estimators in all nine tested settings, while the estimator closest to training-set variation perturbs the model rather than its context in every setting, so the two references separate the estimators empirically. MORSE amortizes observability estimation into one forward pass per observation state. On a heteroscedastic pulse benchmark, its predictor's cross-context variance approaches a large-sample reference as training data increase. MORSE also improves low-label transfer on PTB-XL and in-distribution trajectory prediction on IMPTC.
- Abstract（参考訳）: 不確実性推定は、その意味論が観測可能な予測行動と結びつくことができる場合にのみ意味を持つ。
正規逆ガンマ(NIG)の顕在的回帰は、データスケールおよび予測平均成分への予測変数の構造化分解を提供するが、限界確率はそれらの割り当てを識別しない。
マスク付き表現学習におけるこの意味的あいまいさに対処する。
MORSE (Masked Observability for Reliable Structured Encoding) は、可視的文脈における制御された変化の下で同じ隠れたターゲットを予測し、正規化されたクロスコンテキストの変動を地上での予測と平均の不確実性に使用し、ガウス的目的は条件平均とデータスケールを学習する。
正規化された変分は NIG 因子の 1/ν$ の役割を担い、これは辺縁が未同定であり、これは、トレーニングセットの再サンプリングによって引き起こされる変分とは異なる、可視的証拠への依存を測定する政策相対的な可観測性分散をもたらす。
解析ベイズ条件付き手段から構築された文脈参照を持つガウス過程のベンチマークでは、MORSEは9つのテスト設定で比較された明度、アンサンブル、ドロップアウト推定器の中で最小のログ分散誤差を持ち、一方、トレーニングセットの変動に最も近い推定器は、各設定における文脈よりもモデルに摂動するので、2つの参照は、経験的に推定器を分離する。
MORSEは可観測性の推定を観測状態ごとに1つの前方通過に補正する。
ヘテロセシダスティックパルスベンチマークでは、トレーニングデータの増加に伴い、予測器のクロスコンテキスト分散が大きなサンプル参照にアプローチする。
MORSEはまた、PTB-XL上の低ラベル転送とIMPTC上の分布内軌道予測を改善している。
関連論文リスト
- Causal Robustness from Synthetic Environments [5.763453235526434]
堅牢な予測のための因果性指向の手法は通常、観測された環境全体にわたって不均一性を使用する。
本研究では, 構造的付加雑音機構により, 双方を一つの分布から復元可能であることを示す。
論文 参考訳（メタデータ） (2026-10-19T12:10:11Z) - BER-PEF: Unified Human Mobility Predictability Evaluation via Bayes Error Rate Estimation [18.497151729519267]
本稿では,BER推定をモビリティ予測可能性推定に変換するBayes-error-rate-based frameworkであるBER-PEFを提案する。
このフレームワークは、記号列、数値軌跡、文脈特徴、学習された表現を共通の特徴-ラベル空間にマッピングする。
Foursquare NYC、TKY、GeoLife、T-Driveでの実験では、いくつかのBERベースの推定器が既存の予測可能性手法よりも低い参照差を達成している。
論文 参考訳（メタデータ） (2026-09-03T12:19:56Z) - Augmented Inverse Hybrid Weighting: Robust Inference under Deterministic and Random Distribution Shifts [17.842727239557995]
本稿では,制度的なシフトを考慮に入れた上で,2つの集団法間の非体系的な変化を可能にする新しいモデルを提案する。
このような残留シフトは、学習可能な方法で表現できない確率空間へのランダムな摂動としてモデル化される。
純粋なランダム摂動の下で、この原理は回帰増強と分散-最適データセットレベルプーリングを使用するAIDW(Augmented Inverse Distance Weighting)をもたらす。
AIDWと標準強調重み付けを補間するAIHW(Augmented Inverse Hybrid Weighting)を開発した。
論文 参考訳（メタデータ） (2026-08-01T15:02:13Z) - An Isotropic Approach to Efficient Uncertainty Quantification with Gradient Norms [7.439615448864818]
本稿では,ニューラルネットワークの予測不確実性を定量化する軽量な手法を提案する。
予測の勾配における不確実性を表現する一階テイラー展開とパラメータ共分散に関する等方性仮定の2つの近似を用いる。
次に,各不確実性型が解答正解の予測に有用であるかどうかを,大言語モデルを用いて検討する。
論文 参考訳（メタデータ） (2026-03-31T09:13:09Z) - On the Effect of Regularization on Nonparametric Mean-Variance Regression [22.758981850171548]
実験結果と一致して観測された相転移を捉える統計場理論フレームワークを開発した。
UCIデータセットと大規模ClimSimデータセットの実験は、堅牢な校正性能を示し、予測の不確実性を効果的に定量化している。
論文 参考訳（メタデータ） (2025-11-27T01:09:28Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
本稿では、因果的観点からの包括的ミニマックス分析について述べる。
最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。
本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
論文 参考訳（メタデータ） (2021-07-05T09:07:29Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳（メタデータ） (2020-02-21T00:27:52Z)
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。