Buchumschlag

Multi-level Monte Carlo Dropout for Efficient Uncertainty Quantification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pim, Aaron, Pryer, Tristan
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computation
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification
von: Pim, Aaron, et al.
Veröffentlicht: (2025)

Unreliable Uncertainty Estimates with Monte Carlo Dropout
von: Djupskås, Aslak, et al.
Veröffentlicht: (2025)

Enhancing Uncertainty Estimation in Semantic Segmentation via Monte-Carlo Frequency Dropout
von: Zeevi, Tal, et al.
Veröffentlicht: (2025)

Dirichlet-Based Monte Carlo Dropout for Uncertainty Estimation in Neural Networks
von: Hoblos, Rouaa, et al.
Veröffentlicht: (2026)

Customer Lifetime Value Prediction with Uncertainty Estimation Using Monte Carlo Dropout
von: Cao, Xinzhe, et al.
Veröffentlicht: (2024)

Enhancing Monte Carlo Dropout Performance for Uncertainty Quantification
von: Asgharnezhad, Hamzeh, et al.
Veröffentlicht: (2025)

Uncertainty Quantification In Surface Landmines and UXO Classification Using MC Dropout
von: Lekhak, Sagar, et al.
Veröffentlicht: (2025)

Enhancing Fairness and Performance in Machine Learning Models: A Multi-Task Learning Approach with Monte-Carlo Dropout and Pareto Optimality
von: Zanna, Khadija, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks for Methane Sorption: Cross-Gas Transfer Learning, Ensemble Collapse Under Physics Constraints, and Monte Carlo Dropout Uncertainty Quantification
von: Nooraiepour, Mohammad, et al.
Veröffentlicht: (2026)

Robust Uncertainty Quantification Using Conformalised Monte Carlo Prediction
von: Bethell, Daniel, et al.
Veröffentlicht: (2023)

Uncertainty-Aware Genomic Classification of Alzheimer's Disease: A Transformer-Based Ensemble Approach with Monte Carlo Dropout
von: Jo, Taeho, et al.
Veröffentlicht: (2025)

Monte Carlo Permutation Search
von: Cazenave, Tristan
Veröffentlicht: (2025)

Enhanced Data-Driven Product Development via Gradient Based Optimization and Conformalized Monte Carlo Dropout Uncertainty Estimation
von: Nava, Andrea Thomas, et al.
Veröffentlicht: (2026)

Deep Uzawa for Kinetic Transport with Lagrange-Enforced Boundaries
von: Makridakis, Charalambos, et al.
Veröffentlicht: (2025)

Efficient Stochastic Optimisation via Sequential Monte Carlo
von: Cuin, James, et al.
Veröffentlicht: (2026)

Rethinking Inter-LoRA Orthogonality in Adapter Merging: Insights from Orthogonal Monte Carlo Dropout
von: Zhang, Andi, et al.
Veröffentlicht: (2025)

An Isotropic Approach to Efficient Uncertainty Quantification with Gradient Norms
von: Grünefeld, Nils, et al.
Veröffentlicht: (2026)

Accurate Large-sample Uncertainty Quantification using Stochastic Gradient Markov Chain Monte Carlo
von: Wang, Yu, et al.
Veröffentlicht: (2026)

Large-scale Uncertainty Quantification for Latent Variable Models Using Subsampling Markov Chain Monte Carlo
von: Wang, Xiaoyu, et al.
Veröffentlicht: (2026)

DPad: Efficient Diffusion Language Models with Suffix Dropout
von: Chen, Xinhua, et al.
Veröffentlicht: (2025)

Automated Efficient Estimation using Monte Carlo Efficient Influence Functions
von: Agrawal, Raj, et al.
Veröffentlicht: (2024)

Optimal control of a kinetic equation
von: Pim, Aaron, et al.
Veröffentlicht: (2024)

Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
von: Das, Abhinav, et al.
Veröffentlicht: (2025)

Multi-fidelity Hamiltonian Monte Carlo
von: Patel, Dhruv V., et al.
Veröffentlicht: (2024)

Multi-group Uncertainty Quantification for Long-form Text Generation
von: Liu, Terrance, et al.
Veröffentlicht: (2024)

Variational Inference for Uncertainty Quantification: an Analysis of Trade-offs
von: Margossian, Charles C., et al.
Veröffentlicht: (2024)

Semantic Token Clustering for Efficient Uncertainty Quantification in Large Language Models
von: Cao, Qi, et al.
Veröffentlicht: (2026)

Counterdiabatic Hamiltonian Monte Carlo
von: Cohn-Gordon, Reuben, et al.
Veröffentlicht: (2026)

Elements of Sequential Monte Carlo
von: Naesseth, Christian A., et al.
Veröffentlicht: (2019)

Uncertainty as Feature Gaps: Epistemic Uncertainty Quantification of LLMs in Contextual Question-Answering
von: Bakman, Yavuz, et al.
Veröffentlicht: (2025)

Testing Spintronics Implemented Monte Carlo Dropout-Based Bayesian Neural Networks
von: Ahmed, Soyed Tuhin, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for In-Context Learning of Large Language Models
von: Ling, Chen, et al.
Veröffentlicht: (2024)

Estimating Semantic Alphabet Size for LLM Uncertainty Quantification
von: McCabe, Lucas H., et al.
Veröffentlicht: (2025)

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

Coreset Markov Chain Monte Carlo
von: Chen, Naitong, et al.
Veröffentlicht: (2023)

Rate-In: Information-Driven Adaptive Dropout Rates for Improved Inference-Time Uncertainty Estimation
von: Zeevi, Tal, et al.
Veröffentlicht: (2024)

Enhancing Vision-Language Model Reliability with Uncertainty-Guided Dropout Decoding
von: Fang, Yixiong, et al.
Veröffentlicht: (2024)

Flow Matching with Uncertainty Quantification and Guidance
von: Han, Juyeop, et al.
Veröffentlicht: (2026)

Calibrated Physics-Informed Uncertainty Quantification
von: Gopakumar, Vignesh, et al.
Veröffentlicht: (2025)

Multi-Fidelity Bayesian Neural Network for Uncertainty Quantification in Transonic Aerodynamic Loads
von: Vaiuso, Andrea, et al.
Veröffentlicht: (2024)