論文の概要: Possibility-based Inference: A Deterministic Framework for Robust and Reliable Uncertainty Quantification in Decision-Making

• arxiv url: http://arxiv.org/abs/2610.39821v2
• Date: Fri, 30 Oct 2026 20:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:45.011062
• Title: Possibility-based Inference: A Deterministic Framework for Robust and Reliable Uncertainty Quantification in Decision-Making
• Title（参考訳）: 可能性に基づく推論: 意思決定におけるロバストで信頼性の高い不確実性定量化のための決定論的フレームワーク
• Abstract要約: 不確実性の下での意思決定は、機械学習(ML)の重要な課題である。 この寄与はファジィ集合理論の影響を受け、ベイズ統計学に根ざしたものであり、ベイズ推論におけるデータの精度と性能精度のトレードオフに関する課題に対処する(BI)。 確率的枠組み内での不確実性を表す従来のベイズ推定とは異なり、提案モデルは不確実かつ潜在的に矛盾する情報をより柔軟に特徴付ける可能性に基づく表現を採用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decision-making under uncertainty remains a key issue in Machine Learning (ML), particularly in the deployment of safety-critical systems, where reliable quantification of system behavior is essential for evaluating behavioral impacts and strengthening confidence in ML models. This contribution, influenced by fuzzy set theory and grounded in Bayesian statistics, addresses challenges related to data precision and the performance-accuracy trade-off in Bayesian inference (BI). To this end, we introduce a possibility-based contrastive grade of prediction as an alternative quantification method to existing latent posterior-based approaches for parameter estimation (approximation) and model selection. Unlike conventional Bayesian inference, which represents uncertainty within the probabilistic framework, the proposed model adopts a possibility-based representation that allows uncertain and potentially conflicting information to be characterized more flexibly. Rather than focusing on isolated aspects of a problem, the resulting mathematical framework provides a systematic approach to data mining while mitigating overly confident, yet implausible predictions generated by highly specialized deep learning architectures.
• Abstract（参考訳）: 不確実性の下での意思決定は、マシンラーニング(ML)において重要な問題であり、特に安全クリティカルなシステムのデプロイでは、行動への影響を評価し、MLモデルの信頼性を強化する上で、システムの振る舞いの信頼性の定量化が不可欠である。 この寄与はファジィ集合理論の影響を受け、ベイジアン統計学に基礎を置いており、ベイジアン推論(BI)におけるデータ精度と性能精度のトレードオフに関する課題に対処している。 そこで本研究では、パラメータ推定(近似)とモデル選択のための、既存の潜在後続手法に対する代替量化手法として、可能性に基づく予測のコントラストグレードを導入する。 確率的枠組み内での不確実性を表す従来のベイズ推定とは異なり、提案モデルは不確実かつ潜在的に矛盾する情報をより柔軟に特徴付ける可能性に基づく表現を採用する。 問題の独立した側面に焦点をあてるのではなく、結果の数学的枠組みは、高度に専門化されたディープラーニングアーキテクチャによって生成される、過度に自信を持ちながら、理解できない予測を緩和しながら、データマイニングに対する体系的なアプローチを提供する。

関連論文リスト

• Dirichlet-Based Monte Carlo Dropout for Uncertainty Estimation in Neural Networks [0.5599792629509229]
  本研究では,ディリクレに基づくフレームワークをMC Dropoutに組み込むことにより,ディープラーニングにおける不確実性評価を強化する。 提案手法は,不確実性推定の品質を向上しつつ,MC Dropoutの計算効率を維持する。
  論文  参考訳（メタデータ） (2026-05-22T13:50:50Z)
• Possibilistic Predictive Uncertainty for Deep Learning [75.00607359322863]
  Dirichlet-approximated possibilistic rear predictions (DAPPr)を紹介する。 DAPPrは可能性理論を利用した原則的なフレームワークである。 この射影近似戦略は閉形式解を用いた単純な訓練目標を与える。
  論文  参考訳（メタデータ） (2026-05-01T12:14:01Z)
• Quantifying Aleatoric Uncertainty of In-Context Learning for Robust Measure of LLM Prediction Confidence [6.28866496877782]
  In-Context Learning (ICL)は、LCMがいくつかのデモから新しいタスクに適応できるようにするが、信頼性は依然として懸念されている。 我々は、ベイズ的視点とICLの機械的解釈可能性に基づく自己関数ベクトルの概念を導入する。 これらのベクトルは内部モデル表現を利用して、コンテキスト内プロンプトで学んだ潜在概念をモデル化する。 提案手法は,従来の代替手法よりも信頼性の高いLCM予測の不確かさを計測できることを示す。
  論文  参考訳（メタデータ） (2026-04-28T09:47:40Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation [0.0]
  本稿では,不確実性モデリングにおける基礎概念の統合とコンテキスト化について述べる。 空間集合における強い仮定や標準ベンチマークの欠如といった課題を特定する。 深層学習における不確実性認識のセグメンテーションを進めるための方向性を提案する。
  論文  参考訳（メタデータ） (2024-11-25T13:26:09Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Model-free generalized fiducial inference [0.0]
  等角予測(CP)は有限サンプル確率予測を保証するために開発された。 CPアルゴリズムは、不確実性定量化に対する比較的汎用的なアプローチであり、有限サンプル保証は、汎用性に欠ける。 本稿では,不正確な確率論から,CPと一般化フィデューシャル(GF)推論の間の公式な接続を構築するためのツールを提案する。
  論文  参考訳（メタデータ） (2023-07-24T01:58:48Z)

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。