予測的不確実性定量化のためのエネルギースコアに導かれたニューラルガウス混合モデル
arXiv stat.ML / 2026/3/31
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文では、ガウス混合モデルにエネルギースコア損失を組み合わせることで、機械学習における予測的不確実性の定量化を改善するニューラルエナジーガウス混合モデル（NE-GMM）を提案する。
- 標準的な負の対数尤度による学習を置き換えることで、不安定性やモード崩壊といった問題を緩和でき、これらはしばしば出力分布の平均・分散推定を劣化させると主張する。
- 著者らは、ハイブリッド損失が厳密に適切なスコアリングルールであることを示す理論結果を提示し、真のデータ分布との整合（アラインメント）に結び付いた一般化誤差の上界も与える。
- 合成データおよび実データに対する実験により、NE-GMMは既存手法と比べて予測精度だけでなく、不確実性推定のキャリブレーション／質も向上することが示される。
