Buchumschlag

Evidential time-to-event prediction with calibrated uncertainty quantification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Ling, Xing, Yucheng, Mishra, Swapnil, Denoeux, Thierry, Feng, Mengling
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An evidential time-to-event prediction model based on Gaussian random fuzzy numbers
von: Huang, Ling, et al.
Veröffentlicht: (2024)

EsurvFusion: An evidential multimodal survival fusion model based on Gaussian random fuzzy numbers
von: Huang, Ling, et al.
Veröffentlicht: (2024)

Deep evidential fusion with uncertainty quantification and contextual discounting for multimodal medical image segmentation
von: Huang, Ling, et al.
Veröffentlicht: (2023)

DPsurv: Dual-Prototype Evidential Fusion for Uncertainty-Aware and Interpretable Whole-Slide Image Survival Prediction
von: Xing, Yucheng, et al.
Veröffentlicht: (2025)

Evidential uncertainty sampling for active learning
von: Hoarau, Arthur, et al.
Veröffentlicht: (2023)

medR: Reward Engineering for Clinical Offline Reinforcement Learning via Tri-Drive Potential Functions
von: Xu, Qianyi, et al.
Veröffentlicht: (2026)

Mamba time series forecasting with uncertainty quantification
von: Pessoa, Pedro, et al.
Veröffentlicht: (2025)

DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety
von: Ataei, Masoud, et al.
Veröffentlicht: (2024)

CodeBrain: Bridging Decoupled Tokenizer and Multi-Scale Architecture for EEG Foundation Model
von: Ma, Jingying, et al.
Veröffentlicht: (2025)

Active operator learning with predictive uncertainty quantification for partial differential equations
von: Winovich, Nick, et al.
Veröffentlicht: (2025)

Deep set based operator learning with uncertainty quantification
von: Ma, Lei, et al.
Veröffentlicht: (2025)

Partially stochastic deep learning with uncertainty quantification for model predictive heating control
von: Hannula, Emma, et al.
Veröffentlicht: (2025)

Does confidence calibration improve conformal prediction?
von: Xi, Huajun, et al.
Veröffentlicht: (2024)

SCOPE: Structured Prototype-Guided Adaptation for EEG Foundation Models with Limited Labels
von: Ma, Jingying, et al.
Veröffentlicht: (2026)

Point processes with event time uncertainty
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2024)

Neural parameter calibration and uncertainty quantification for epidemic forecasting
von: Gaskin, Thomas, et al.
Veröffentlicht: (2023)

Probabilistic neural operators for functional uncertainty quantification
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Reasoning with fuzzy and uncertain evidence using epistemic random fuzzy sets: general framework and practical models
von: Denoeux, Thierry
Veröffentlicht: (2022)

Beyond Semantics: An Evidential Reasoning-Aware Multi-View Learning Framework for Trustworthy Mental Health Prediction
von: Ruan, Yucheng, et al.
Veröffentlicht: (2026)

Probabilistic computation and uncertainty quantification with emerging covariance
von: Ma, Hengyuan, et al.
Veröffentlicht: (2023)

Bridging the Modality Bottleneck in Pathology MIL through Virtual Molecular Staining
von: Xing, Yucheng, et al.
Veröffentlicht: (2026)

A comparative study of conformal prediction methods for valid uncertainty quantification in machine learning
von: Dewolf, Nicolas
Veröffentlicht: (2024)

Bayesian meta learning for trustworthy uncertainty quantification
von: Yuan, Zhenyuan, et al.
Veröffentlicht: (2024)

Surrogate modeling for uncertainty quantification in nonlinear dynamics
von: Marelli, S., et al.
Veröffentlicht: (2025)

Distribution free uncertainty quantification in neuroscience-inspired deep operators
von: Garg, Shailesh, et al.
Veröffentlicht: (2024)

Joint space-time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning
von: Pasparakis, George D., et al.
Veröffentlicht: (2025)

Model uncertainty quantification using feature confidence sets for outcome excursions
von: Ren, Junting, et al.
Veröffentlicht: (2025)

Generative vs. Discriminative modeling under the lens of uncertainty quantification
von: Argouarc'h, Elouan, et al.
Veröffentlicht: (2024)

Evidential Uncertainty Probes for Graph Neural Networks
von: Yu, Linlin, et al.
Veröffentlicht: (2025)

Explainable Evidential Clustering
von: de Souza, Victor F. Lopes, et al.
Veröffentlicht: (2025)

Generative imaging for radio interferometry with fast uncertainty quantification
von: Mars, Matthijs, et al.
Veröffentlicht: (2025)

Fast and reliable uncertainty quantification with neural network ensembles for industrial image classification
von: Thuy, Arthur, et al.
Veröffentlicht: (2024)

Evidential Domain Adaptation for Remaining Useful Life Prediction with Incomplete Degradation
von: Hou, Yubo, et al.
Veröffentlicht: (2026)

Neural active manifolds: nonlinear dimensionality reduction for uncertainty quantification
von: Zanoni, Andrea, et al.
Veröffentlicht: (2024)

Integrating uncertainty quantification into randomized smoothing based robustness guarantees
von: Däubener, Sina, et al.
Veröffentlicht: (2024)

Improved uncertainty quantification for neural networks with Bayesian last layer
von: Fiedler, Felix, et al.
Veröffentlicht: (2023)

Variational bagging: a robust approach for Bayesian uncertainty quantification
von: Fan, Shitao, et al.
Veröffentlicht: (2025)

LDDMM stochastic interpolants: an application to domain uncertainty quantification in hemodynamics
von: Katz, Sarah, et al.
Veröffentlicht: (2026)

Conformalized Gaussian processes for online uncertainty quantification over graphs
von: Xu, Jinwen, et al.
Veröffentlicht: (2025)

Pretraining with random noise for uncertainty calibration
von: Cheon, Jeonghwan, et al.
Veröffentlicht: (2024)