Copertina

A calibration test for evaluating set-based epistemic uncertainty representations

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Jürgens, Mira, Mortier, Thomas, Hüllermeier, Eyke, Bengs, Viktor, Waegeman, Willem
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

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

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

Position: Epistemic uncertainty estimation methods are fundamentally incomplete
di: Jiménez, Sebastián, et al.
Pubblicazione: (2025)

Calibrated Preference Learning: The Case of Label Ranking
di: Thies, Santo M. A. R., et al.
Pubblicazione: (2026)

Co-Exploration and Co-Exploitation via Shared Structure in Multi-Task Bandits
di: Mukherjee, Sumantrak, et al.
Pubblicazione: (2025)

A Survey of Reinforcement Learning from Human Feedback
di: Kaufmann, Timo, et al.
Pubblicazione: (2023)

Approximating the Shapley Value without Marginal Contributions
di: Kolpaczki, Patrick, et al.
Pubblicazione: (2023)

Pairwise Difference Learning for Classification
di: Belaid, Mohamed Karim, et al.
Pubblicazione: (2024)

Conformal Prediction for Uncertainty Estimation in Drug-Target Interaction Prediction
di: Rakhshaninejad, Morteza, 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)

Antithetic Sampling for Top-k Shapley Identification
di: Kolpaczki, Patrick, et al.
Pubblicazione: (2025)

When should we trust the annotation? Selective prediction for molecular structure retrieval from mass spectra
di: Jürgens, Mira, et al.
Pubblicazione: (2026)

KernelSHAP-IQ: Weighted Least-Square Optimization for Shapley Interactions
di: Fumagalli, Fabian, et al.
Pubblicazione: (2024)

ALPBench: A Benchmark for Active Learning Pipelines on Tabular Data
di: Margraf, Valentin, et al.
Pubblicazione: (2024)

shapiq: Shapley Interactions for Machine Learning
di: Muschalik, Maximilian, et al.
Pubblicazione: (2024)

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

Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks
di: Muschalik, Maximilian, et al.
Pubblicazione: (2025)

Proxy-Based Approximation of Shapley and Banzhaf Interactions
di: Thies, Santo M. A. R., et al.
Pubblicazione: (2026)

Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization
di: Ansari, Navid, et al.
Pubblicazione: (2023)

Generalising realisability in statistical learning theory under epistemic uncertainty
di: Cuzzolin, Fabio
Pubblicazione: (2024)

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

Explaining Similarity in Vision-Language Encoders with Weighted Banzhaf Interactions
di: Baniecki, Hubert, et al.
Pubblicazione: (2025)

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

Large language models as uncertainty-calibrated optimizers for experimental discovery
di: Ranković, Bojana, et al.
Pubblicazione: (2025)

Trust the uncertain teacher: distilling dark knowledge via calibrated uncertainty
di: Kim, Jeonghyun, et al.
Pubblicazione: (2026)

Cumulative Utility Parity for Fair Federated Learning under Intermittent Client Participation
di: Behfar, Stefan, et al.
Pubblicazione: (2026)

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)

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

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

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

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

Latent label distribution grid representation for modeling uncertainty
di: Sun, ShuNing, et al.
Pubblicazione: (2025)

Linear-LLM-SCM: Benchmarking LLMs for Coefficient Elicitation in Linear-Gaussian Causal Models
di: Yamaoka, Kanta, et al.
Pubblicazione: (2026)

Thought calibration: Efficient and confident test-time scaling
di: Wu, Menghua, et al.
Pubblicazione: (2025)

CLANE: Continual Learning of Actions on Neuromorphic Hardware from Event Cameras
di: Hajizada, Elvin, et al.
Pubblicazione: (2026)

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

Remedying uncertainty representations in visual inference through Explaining-Away Variational Autoencoders
di: Catoni, Josefina, et al.
Pubblicazione: (2024)

ECUAS$_n$: A family of metrics for principled evaluation of uncertainty-augmented systems
di: Estienne, Lautaro, et al.
Pubblicazione: (2026)

Position: agentic AI orchestration should be Bayes-consistent
di: Papamarkou, Theodore, et al.
Pubblicazione: (2026)