Copertina

E-QRGMM: Efficient Generative Metamodeling for Covariate-Dependent Uncertainty Quantification

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Liang, Zhiyang, Zhang, Qingkai
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Learning to Simulate: Generative Metamodeling via Quantile Regression
di: Hong, L. Jeff, et al.
Pubblicazione: (2023)

Uncertainty Quantification of MLE for Entity Ranking with Covariates
di: Fan, Jianqing, et al.
Pubblicazione: (2022)

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

Deep Learning-Based Metamodeling of Nonlinear Stochastic Dynamic Systems under Parametric and Predictive Uncertainty
di: Atila, Haimiti, et al.
Pubblicazione: (2026)

Prompt-Dependent Ranking of Large Language Models with Uncertainty Quantification
di: Menendez, Angel Rodrigo Avelar, et al.
Pubblicazione: (2026)

Sensitivity analysis using the Metamodel of Optimal Prognosis
di: Most, Thomas, et al.
Pubblicazione: (2024)

Conf-Gen: Conformal Uncertainty Quantification for Generative Models
di: Loaiza-Ganem, Gabriel, et al.
Pubblicazione: (2026)

Multi-level Monte Carlo Dropout for Efficient Uncertainty Quantification
di: Pim, Aaron, et al.
Pubblicazione: (2026)

Towards Uncertainty Quantification in Generative Model Learning
di: Morales, Giorgio, et al.
Pubblicazione: (2025)

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

Epistemic Wrapping for Uncertainty Quantification
di: Sultana, Maryam, et al.
Pubblicazione: (2025)

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

Covariate Dependent Mixture of Bayesian Networks
di: Marchant, Roman, et al.
Pubblicazione: (2025)

Extending Causal Metamodeling to a non-Markovian Queue
di: Amaranath, Pracheta, et al.
Pubblicazione: (2026)

Uncertainty Quantification for Large-Scale Deep Networks via Post-StoNet Modeling
di: Sun, Yan, et al.
Pubblicazione: (2025)

Learning traffic flows: Graph Neural Networks for Metamodelling Traffic Assignment
di: Lassen, Oskar Bohn, et al.
Pubblicazione: (2025)

FedSI: Federated Subnetwork Inference for Efficient Uncertainty Quantification
di: Chen, Hui, et al.
Pubblicazione: (2024)

Efficient Line Search Method Based on Regression and Uncertainty Quantification
di: Laue, Sören, et al.
Pubblicazione: (2024)

Uncertainty Quantification on Clinical Trial Outcome Prediction
di: Chen, Tianyi, et al.
Pubblicazione: (2024)

Fair Uncertainty Quantification for Depression Prediction
di: Li, Yonghong, et al.
Pubblicazione: (2025)

Uncertainty Quantification on Graph Learning: A Survey
di: Chen, Chao, et al.
Pubblicazione: (2024)

DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model
di: Wang, Zhixian, et al.
Pubblicazione: (2023)

Adaptive Uncertainty Quantification for Generative AI
di: Kim, Jungeum, et al.
Pubblicazione: (2024)

Uncertainty Quantification With Multiple Sources
di: Ying, Mufang, et al.
Pubblicazione: (2024)

Is the Last Layer Sufficient for Uncertainty Quantification?
di: Wilson, Joseph, et al.
Pubblicazione: (2026)

Position: There Is No Free Bayesian Uncertainty Quantification
di: Melev, Ivan, et al.
Pubblicazione: (2025)

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

Conditional Generative Modeling for Enhanced Credit Risk Management in Supply Chain Finance
di: Zhang, Qingkai, et al.
Pubblicazione: (2025)

Exploring Efficient Quantification of Modeling Uncertainties with Differentiable Physics-Informed Machine Learning Architectures
di: Oddiraju, Manaswin, et al.
Pubblicazione: (2025)

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

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

Uncertainty Quantification for Quantum Computing
di: Bennink, Ryan, et al.
Pubblicazione: (2026)

Uncertainty Quantification in the Tsetlin Machine
di: Helin, Runar, et al.
Pubblicazione: (2025)

Uncertainty Quantification in SVM prediction
di: Anand, Pritam
Pubblicazione: (2025)

PerFlow: Physics-Embedded Rectified Flow for Efficient Reconstruction and Uncertainty Quantification of Spatiotemporal Dynamics
di: Zhou, Hao, et al.
Pubblicazione: (2026)

Activation-Space Uncertainty Quantification for Pretrained Networks
di: Bergna, Richard, et al.
Pubblicazione: (2026)

On the Uncertainty Quantification Ability of Tabular Foundation Models
di: Johnson, Tyler R., et al.
Pubblicazione: (2026)

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

Interventional Processes for Causal Uncertainty Quantification
di: Dance, Hugh, et al.
Pubblicazione: (2024)

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