Copertina

Quantifying Aleatoric and Epistemic Uncertainty with Proper Scoring Rules

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Hofman, Paul, Sale, Yusuf, Hüllermeier, Eyke
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Uncertainty Quantification with Proper Scoring Rules: Adjusting Measures to Prediction Tasks
di: Hofman, Paul, et al.
Pubblicazione: (2025)

Label-wise Aleatoric and Epistemic Uncertainty Quantification
di: Sale, Yusuf, et al.
Pubblicazione: (2024)

Uncertainty Quantification for Machine Learning: One Size Does Not Fit All
di: Hofman, Paul, et al.
Pubblicazione: (2025)

Aleatoric and Epistemic Uncertainty Measures for Ordinal Classification through Binary Reduction
di: Haas, Stefan, et al.
Pubblicazione: (2025)

Second-Order Uncertainty Quantification: Variance-Based Measures
di: Sale, Yusuf, et al.
Pubblicazione: (2023)

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

Efficient Credal Prediction through Decalibration
di: Hofman, Paul, et al.
Pubblicazione: (2026)

Uncertainty Quantification for Regression: A Unified Framework based on kernel scores
di: Bülte, Christopher, et al.
Pubblicazione: (2025)

Conformal Prediction Regions are Imprecise Highest Density Regions
di: Caprio, Michele, et al.
Pubblicazione: (2025)

Quantifying Epistemic Predictive Uncertainty in Conformal Prediction
di: Chau, Siu Lun, et al.
Pubblicazione: (2026)

Conformal Prediction in Hierarchical Classification with Constrained Representation Complexity
di: Mortier, Thomas, et al.
Pubblicazione: (2025)

Credal Prediction based on Relative Likelihood
di: Löhr, Timo, et al.
Pubblicazione: (2025)

Linear Opinion Pooling for Uncertainty Quantification on Graphs
di: Damke, Clemens, et al.
Pubblicazione: (2024)

CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks
di: Damke, Clemens, et al.
Pubblicazione: (2024)

Is Epistemic Uncertainty Faithfully Represented by Evidential Deep Learning Methods?
di: Jürgens, Mira, et al.
Pubblicazione: (2024)

Rethinking Aleatoric and Epistemic Uncertainty
di: Smith, Freddie Bickford, et al.
Pubblicazione: (2024)

Optimal Conformal Prediction under Epistemic Uncertainty
di: Javanmardi, Alireza, et al.
Pubblicazione: (2025)

Quantification of Credal Uncertainty: A Distance-Based Approach
di: Gonzalez-Garcia, Xabier, et al.
Pubblicazione: (2026)

Probabilistic Scoring Lists for Interpretable Machine Learning
di: Hanselle, Jonas, et al.
Pubblicazione: (2024)

Distribution Matching for Graph Quantification Under Structural Covariate Shift
di: Damke, Clemens, et al.
Pubblicazione: (2025)

Adjusted Count Quantification Learning on Graphs
di: Damke, Clemens, et al.
Pubblicazione: (2025)

Mitigating Label Noise through Data Ambiguation
di: Lienen, Julian, et al.
Pubblicazione: (2023)

Uncertainty Quantification for Regression using Proper Scoring Rules
di: Fishkov, Alexander, et al.
Pubblicazione: (2025)

Random Forest Calibration
di: Shaker, Mohammad Hossein, et al.
Pubblicazione: (2025)

JUCAL: Jointly Calibrating Aleatoric and Epistemic Uncertainty in Classification Tasks
di: Heiss, Jakob, et al.
Pubblicazione: (2026)

Estimating Epistemic and Aleatoric Uncertainty with a Single Model
di: Chan, Matthew A., et al.
Pubblicazione: (2024)

Reducing Aleatoric and Epistemic Uncertainty through Multi-modal Data Acquisition
di: Hoarau, Arthur, et al.
Pubblicazione: (2025)

Cooperative Variance Estimation and Bayesian Neural Networks for Disentangling Aleatoric and Epistemic Uncertainties
di: Yi, Jiaxiang, et al.
Pubblicazione: (2025)

Conformalized Credal Set Predictors
di: Javanmardi, Alireza, et al.
Pubblicazione: (2024)

Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty
di: Mukherjee, Tanmoy, et al.
Pubblicazione: (2026)

From Aleatoric to Epistemic: Exploring Uncertainty Quantification Techniques in Artificial Intelligence
di: Wang, Tianyang, et al.
Pubblicazione: (2025)

Uncertainty Quantification as a Principled Foundation for Explainable Artificial Intelligence: A Case Study of Counterfactual Explanations
di: Sokol, Kacper, et al.
Pubblicazione: (2025)

Variational LSTM with Augmented Inputs: Nonlinear Response History Metamodeling with Aleatoric and Epistemic Uncertainty
di: Sapkota, Manisha, et al.
Pubblicazione: (2026)

A Posterior-Predictive Variance Decomposition for Epistemic and Aleatoric Uncertainty in Wind Power Forecasting
di: Chen, Yinsong, et al.
Pubblicazione: (2026)

Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner
di: Melnychuk, Valentyn, et al.
Pubblicazione: (2024)

A Proper Scoring Rule for Virtual Staining
di: Tonks, Samuel, et al.
Pubblicazione: (2026)

HybridFlow: Quantification of Aleatoric and Epistemic Uncertainty with a Single Hybrid Model
di: Van Katwyk, Peter, et al.
Pubblicazione: (2025)

Wiener Chaos in Kernel Regression: Towards Untangling Aleatoric and Epistemic Uncertainty
di: Faulwasser, T., et al.
Pubblicazione: (2023)

CLEAR: Calibrated Learning for Epistemic and Aleatoric Risk
di: Azizi, Ilia, et al.
Pubblicazione: (2025)

Offline Bayesian Aleatoric and Epistemic Uncertainty Quantification and Posterior Value Optimisation in Finite-State MDPs
di: Valdettaro, Filippo, et al.
Pubblicazione: (2024)