不確実性推定のためのニューラル活性カバレッジを再検討する

arXiv cs.LG / 2026/4/27

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

この論文では、分布外検出や汎化に向けて提案された手法であるニューラル活性カバレッジ（NAC）を見直し、不確実性推定へと転用します。
NACを拡張し、回帰タスクにおいて、再学習を前提とせずに既に学習済みの人工ニューラルネットワークで不確実性を推定できるようにします。
実験により、NAC由来の不確実性スコアが、モンテカルロ・ドロップアウトなどの他手法よりも「より意味のある」ことが示されます。
総じて本研究は、回帰設定における実用的な既存モデルで、不確実性をより適切に扱える可能性のある指標としてNACを位置づけています。

Abstract

ニューラル活性カバレッジ（NAC）は、分布外検出と汎化のために最近提案された手法である。私たちは、この有望な基盤の上に構築し、経験済みの人工ニューラルネットワークに対して、回帰領域における不確実性推定技術として機能するように手法を拡張する。実験により、NACの不確実性スコアが、たとえばモンテカルロ・ドロップアウトなどの他の手法よりも、より意味のあるものであることが確認できた。