決定論的予測の拡張に対する、正確で信頼性の高い不確実性推定：過小および過大予測への対応

概要: 計算モデルは、工学や科学にまたがる高リスクな意思決定を支え、実務者はそうしたモデルに含まれる不確実性を定量化するため、確率的予測をますます求めています。既存の手法は、入力パラメータの分布からサンプリングして予測を生成するか、分布に依存しない手法や分布的手法を含め、決定論的な出力に不確実性の表現を拡張することで予測を生成します。しかし、サンプリングに基づく手法はリアルタイム用途では計算量の点でしばしば実行不可能であり、また多くの既存の不確実性表現は入力への依存性を無視するか、非対称性や裾の重い（heavy-tailed）振る舞いを捉えられない、制約の強いガウス（Gaussian）仮定に依存しています。そこで本研究では、ACCURate and Reliable Uncertainty Estimate（ACCRUE）フレームワークを拡張し、入力依存の非ガウス不確実性分布、具体的には二つの部分を持つガウス（two-piece Gaussian）および非対称ラプラス（asymmetric Laplace）形式を学習します。これは、予測精度と信頼性（reliability）のバランスを取る損失関数で訓練したニューラルネットワークを用いて実現します。合成データおよび実世界の実験を通じて、提案手法が入力依存の不確実性構造を捉え、既存手法に比べて確率的な予測を改善できることを示します。また、歪んだ（skewed）かつ非ガウスな誤差をモデル化する柔軟性を維持したまま実現できることも示します。