Buchumschlag

Probabilistic Skip Connections for Deterministic Uncertainty Quantification in Deep Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jimenez, Felix, Katzfuss, Matthias
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Vecchia Gaussian Process Ensembles on Internal Representations of Deep Neural Networks
von: Jimenez, Felix, et al.
Veröffentlicht: (2023)

Quantification of Uncertainties in Probabilistic Deep Neural Network by Implementing Boosting of Variational Inference
von: Bera, Pavia, et al.
Veröffentlicht: (2025)

Probabilistic Consistency in Machine Learning and Its Connection to Uncertainty Quantification
von: Patrone, Paul, et al.
Veröffentlicht: (2025)

Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks
von: Wang, Qingyi, et al.
Veröffentlicht: (2023)

Learning non-Gaussian spatial distributions via Bayesian transport maps with parametric shrinkage
von: Chakraborty, Anirban, et al.
Veröffentlicht: (2024)

Computing Linear Regions in Neural Networks with Skip Connections
von: Joyce, Johnny, et al.
Veröffentlicht: (2025)

Comparison of Deterministic and Probabilistic Machine Learning Algorithms for Precise Dimensional Control and Uncertainty Quantification in Additive Manufacturing
von: Sanpui, Dipayan, et al.
Veröffentlicht: (2025)

Fast Gaussian Process Approximations for Autocorrelated Data
von: Chokhachian, Ahmadreza, et al.
Veröffentlicht: (2025)

Probabilistic Classification and Uncertainty Quantification of Sahara Desert Climate Using Feedforward Neural Networks
von: Tivenan, Stephen, et al.
Veröffentlicht: (2026)

Discriminant Distance-Aware Representation on Deterministic Uncertainty Quantification Methods
von: Zhang, Jiaxin, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Skip Connections for Modeling and Control of Gas-Lifted Oil Wells
von: Kittelsen, Jonas Ekeland, et al.
Veröffentlicht: (2024)

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

Schrodinger Neural Network and Uncertainty Quantification: Quantum Machine
von: Hammad, M. M.
Veröffentlicht: (2025)

Conditional Uncertainty Quantification for Tensorized Topological Neural Networks
von: Wu, Yujia, et al.
Veröffentlicht: (2024)

The SkipSponge Attack: Sponge Weight Poisoning of Deep Neural Networks
von: Lintelo, Jona te, et al.
Veröffentlicht: (2024)

Zero-Shot Uncertainty Quantification using Diffusion Probabilistic Models
von: Shu, Dule, et al.
Veröffentlicht: (2024)

Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks
von: Du, Hongfei, et al.
Veröffentlicht: (2026)

Variational Graph Neural Networks for Uncertainty Quantification in Inverse Problems
von: Gonzalez, David, et al.
Veröffentlicht: (2026)

Posterior Uncertainty Quantification in Neural Networks using Data Augmentation
von: Wu, Luhuan, et al.
Veröffentlicht: (2024)

Development of Skip Connection in Deep Neural Networks for Computer Vision and Medical Image Analysis: A Survey
von: Xu, Guoping, et al.
Veröffentlicht: (2024)

Functional PCA and Deep Neural Networks-based Bayesian Inverse Uncertainty Quantification with Transient Experimental Data
von: Xie, Ziyu, et al.
Veröffentlicht: (2023)

Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles
von: Vinchurkar, Tirtha, et al.
Veröffentlicht: (2025)

Quantile-Free Uncertainty Quantification in Graph Neural Networks
von: park, Soyoung, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Gradient-based Explanations in Neural Networks
von: Mulye, Mihir, et al.
Veröffentlicht: (2024)

Complex-Valued Unitary Representations as Classification Heads for Improved Uncertainty Quantification in Deep Neural Networks
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference
von: Shih, Frank, et al.
Veröffentlicht: (2025)

Uncertainty Quantification With Noise Injection in Neural Networks: A Bayesian Perspective
von: Yuan, Xueqiong, et al.
Veröffentlicht: (2025)

On the Adversarial Transferability of Generalized "Skip Connections"
von: Wang, Yisen, et al.
Veröffentlicht: (2024)

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

Improving Deep Learning Model Calibration for Cardiac Applications using Deterministic Uncertainty Networks and Uncertainty-aware Training
von: Dawood, Tareen, et al.
Veröffentlicht: (2024)

The Probabilistic Tsetlin Machine: A Novel Approach to Uncertainty Quantification
von: Abeyrathna, K. Darshana, et al.
Veröffentlicht: (2024)

Predicting Critical Heat Flux with Uncertainty Quantification and Domain Generalization Using Conditional Variational Autoencoders and Deep Neural Networks
von: Alsafadi, Farah, et al.
Veröffentlicht: (2024)

Can an MLP Absorb Its Own Skip Connection?
von: Mijoski, Antonij, et al.
Veröffentlicht: (2026)

Uncertainty-Aware Explanations Through Probabilistic Self-Explainable Neural Networks
von: Vadillo, Jon, et al.
Veröffentlicht: (2024)

Probabilistic Super-Resolution for High-Fidelity Physical System Simulations with Uncertainty Quantification
von: Zhang, Pengyu, et al.
Veröffentlicht: (2025)

Uncertainty Quantification with the Empirical Neural Tangent Kernel
von: Wilson, Joseph, et al.
Veröffentlicht: (2025)

Epistemic Uncertainty Quantification For Pre-trained Neural Network
von: Wang, Hanjing, et al.
Veröffentlicht: (2024)

A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation
von: Valiuddin, M. M. A., et al.
Veröffentlicht: (2024)

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)

Skip-Connected Policy Optimization for Implicit Advantage
von: Teng, Fengwei, et al.
Veröffentlicht: (2026)