Buchumschlag

Deep Out-of-Distribution Uncertainty Quantification via Weight Entropy Maximization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	de Mathelin, Antoine, Deheeger, François, Mougeot, Mathilde, Vayatis, Nicolas
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OneBatchPAM: A Fast and Frugal K-Medoids Algorithm
von: de Mathelin, Antoine, et al.
Veröffentlicht: (2025)

Correcting Source Mismatch in Flow Matching with Radial-Angular Transport
von: Oubari, Fouad, et al.
Veröffentlicht: (2026)

Deep Generative Methods and Tire Architecture Design
von: Oubari, Fouad, et al.
Veröffentlicht: (2025)

Addressing the Cold-Start Problem for Personalized Combination Drug Screening
von: de Mathelin, Antoine, et al.
Veröffentlicht: (2025)

Empirically Calibrated Conditional Independence Tests
von: Pan, Milleno, et al.
Veröffentlicht: (2026)

Evidence on the Regularisation Properties of Maximum-Entropy Reinforcement Learning
von: Hosseinkhan-Boucher, Rémy, et al.
Veröffentlicht: (2025)

Evidential Deep Learning for Uncertainty Quantification and Out-of-Distribution Detection in Jet Identification using Deep Neural Networks
von: Khot, Ayush, et al.
Veröffentlicht: (2025)

Collaborative non-parametric two-sample testing
von: de la Concha, Alejandro, et al.
Veröffentlicht: (2024)

Collaborative likelihood-ratio estimation over graphs
von: de la Concha, Alejandro, et al.
Veröffentlicht: (2022)

Enhancing Nuclear Reactor Core Simulation through Data-Based Surrogate Models
von: Beja-Battais, Perceval, et al.
Veröffentlicht: (2025)

Stein Boltzmann Sampling: A Variational Approach for Global Optimization
von: Serré, Gaëtan, et al.
Veröffentlicht: (2024)

LLMs Uncertainty Quantification via Adaptive Conformal Semantic Entropy
von: Karimi, Hamed, et al.
Veröffentlicht: (2026)

When Active Learning Fails, Uncalibrated Out of Distribution Uncertainty Quantification Might Be the Problem
von: Dale, Ashley S., et al.
Veröffentlicht: (2025)

Uncertainty Quantification via Stable Distribution Propagation
von: Petersen, Felix, et al.
Veröffentlicht: (2024)

An Axiomatic Assessment of Entropy- and Variance-based Uncertainty Quantification in Regression
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Uncertainty Quantification Metrics for Deep Regression
von: Lind, Simon Kristoffersson, et al.
Veröffentlicht: (2024)

Offline detection of change-points in the mean for stationary graph signals
von: de la Concha, Alejandro, et al.
Veröffentlicht: (2020)

Light-Weight Diffusion Multiplier and Uncertainty Quantification for Fourier Neural Operators
von: Matveev, Albert, et al.
Veröffentlicht: (2025)

Conformalized-DeepONet: A Distribution-Free Framework for Uncertainty Quantification in Deep Operator Networks
von: Moya, Christian, et al.
Veröffentlicht: (2024)

WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts
von: Alijani, Shadi, et al.
Veröffentlicht: (2025)

Using Uncertainty Quantification to Characterize and Improve Out-of-Domain Learning for PDEs
von: Mouli, S. Chandra, et al.
Veröffentlicht: (2024)

SEMDICE: Off-policy State Entropy Maximization via Stationary Distribution Correction Estimation
von: Lee, Jongmin, et al.
Veröffentlicht: (2025)

A Survey on Uncertainty Quantification Methods for Deep Learning
von: He, Wenchong, et al.
Veröffentlicht: (2023)

Domain Randomization via Entropy Maximization
von: Tiboni, Gabriele, et al.
Veröffentlicht: (2023)

Torch-Uncertainty: A Deep Learning Framework for Uncertainty Quantification
von: Lafage, Adrien, et al.
Veröffentlicht: (2025)

Distribution-Free Uncertainty Quantification in Mechanical Ventilation Treatment: A Conformal Deep Q-Learning Framework
von: Eghbali, Niloufar, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Deep Learning
von: van Leeuwen, Peter Jan, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Large-Scale Deep Networks via Post-StoNet Modeling
von: Sun, Yan, et al.
Veröffentlicht: (2025)

BN-SCAFFOLD: controlling the drift of Batch Normalization statistics in Federated Learning
von: Quintana, Gonzalo Iñaki, et al.
Veröffentlicht: (2024)

A Markov Random Field Multi-Modal Variational AutoEncoder
von: Oubari, Fouad, et al.
Veröffentlicht: (2024)

Multi-Component VAE with Gaussian Markov Random Field
von: Oubari, Fouad, et al.
Veröffentlicht: (2025)

Cascaded Transfer: Learning Many Tasks under Budget Constraints
von: Campagne, Eloi, et al.
Veröffentlicht: (2026)

Uncertainty-Aware Out-of-Distribution Detection with Gaussian Processes
von: Chen, Yang, et al.
Veröffentlicht: (2024)

Structural Entropy Guided Unsupervised Graph Out-Of-Distribution Detection
von: Hou, Yue, et al.
Veröffentlicht: (2025)

Detecting Out-of-Distribution Samples via Conditional Distribution Entropy with Optimal Transport
von: Feng, Chuanwen, et al.
Veröffentlicht: (2024)

Are Uncertainty Quantification Capabilities of Evidential Deep Learning a Mirage?
von: Shen, Maohao, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Deep Regression using Contextualised Normalizing Flows
von: Marco, Adriel Sosa, et al.
Veröffentlicht: (2025)

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification
von: Monod, Mélodie, et al.
Veröffentlicht: (2025)

Multidimensional Uncertainty Quantification via Optimal Transport
von: Kotelevskii, Nikita, et al.
Veröffentlicht: (2025)

Risk-aware Classification via Uncertainty Quantification
von: Sensoy, Murat, et al.
Veröffentlicht: (2024)