UQ-SHRED：エンジレッションによる疎なセンシングに対する浅い再帰デコーダネットワークの不確実性定量化

arXiv cs.LG / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

提案されたUQ-SHREDは、超疎なセンサ計測から高次元の時空間場を復元するSHREDの限界（データ不足・高頻度・確率的系での不確実性推定の欠如）を、分布学習によって補う枠組みです。
UQ-SHREDはengressionというニューラルネットの分布回帰により、センサ履歴条件付きで状態の予測分布を学習し、不確実性を定量化します。
センサ入力にノイズを注入し、energy score lossで学習することで、追加のネットワーク構造や再学習なしに、単一アーキテクチャで予測分布を生成するための計算負荷を抑えています。
合成データと実データ（乱流・大気ダイナミクス・神経科学・天文学など）で、分布近似とキャリブレーションの良い信頼区間を示し、アブレーションにより設定要因がUQ品質や妥当性に与える影響も分析しています。

要旨: 疎なセンサ計測から高次元の時空間場を再構成することは、幅広い科学分野において重要です。SHallow REcurrent Decoder（SHRED）アーキテクチャは、超疎なセンサ計測ストリームから高品質な空間領域を再構成する、近年の最先端アーキテクチャです。SHREDの重要な限界は、複雑でデータが乏しい、高周波、あるいは確率（ストキャスティック）システムにおいては、時空間場の一部を、有効な不確実性推定とともにモデル化する必要がある点です。私たちは、疎センシング問題のための分布学習フレームワークであるUQ-SHREDを提案します。これは、engressionと呼ばれるニューラルネットワークに基づく分布回帰によって不確実性定量化を提供します。UQ-SHREDは、センサ履歴に条件付けられた空間状態の予測分布を学習することで不確実性をモデル化します。センサ入力へ確率的ノイズを注入し、エネルギースコア損失で学習することで、UQ-SHREDは最小限の計算オーバーヘッドで予測分布を生成し、入力へのノイズ注入と、単一のアーキテクチャを通じたリサンプリングのみを必要とします。再学習や追加のネットワーク構造は不要です。乱流、気象（大気）ダイナミクス、神経科学、天文学を含む、複雑な合成データおよび実世界データにおいて、UQ-SHREDは、キャリブレーションの良好な信頼区間を伴う分布的近似を提供します。さらに、各モデル設定がUQ-SHREDの性能の質や、異なる一連の実験設定にわたる不確実性定量化の妥当性にどのように影響するかを理解するために、アブレーション研究を行います。