Buchumschlag

Quantifying Epistemic Uncertainty in Diffusion Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gupta, Aditi, Meyer, Raphael A., Yaniv, Yotam, Chen, Elynn, Erichson, N. Benjamin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sharpen Your Flow: Sharpness-Aware Sampling for Flow Matching
von: Gupta, Aditi, et al.
Veröffentlicht: (2026)

Block-Biased Mamba for Long-Range Sequence Processing
von: Yu, Annan, et al.
Veröffentlicht: (2025)

Continuity Laws for Sequential Models
von: Yu, Annan, et al.
Veröffentlicht: (2026)

Soft-Label Training Preserves Epistemic Uncertainty
von: Singh, Agamdeep, et al.
Veröffentlicht: (2025)

Epistemic Monte Carlo Tree Search
von: Oren, Yaniv, et al.
Veröffentlicht: (2022)

Recency Biased Causal Attention for Time-series Forecasting
von: Hegazy, Kareem, et al.
Veröffentlicht: (2025)

FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems
von: Erichson, N. Benjamin, et al.
Veröffentlicht: (2025)

Optimizing Decoding Paths in Masked Diffusion Models by Quantifying Uncertainty
von: Chen, Ziyu, et al.
Veröffentlicht: (2025)

Tensor-view Topological Graph Neural Network
von: Wen, Tao, et al.
Veröffentlicht: (2024)

Epistemic Uncertainty for Test-Time Discovery
von: Riaz, Kainat, et al.
Veröffentlicht: (2026)

Decomposing Epistemic Uncertainty for Causal Decision Making
von: Rahman, Md Musfiqur, et al.
Veröffentlicht: (2026)

Ensured: Explanations for Decreasing the Epistemic Uncertainty in Predictions
von: Löfström, Helena, et al.
Veröffentlicht: (2024)

Credal Concept Bottleneck Models: Structural Separation of Epistemic and Aleatoric Uncertainty
von: Mukherjee, Tanmoy, et al.
Veröffentlicht: (2026)

On the Epistemic Uncertainty of Overparametrized Neural Networks
von: Rügamer, David
Veröffentlicht: (2026)

Symmetric Equilibrium Propagation for Thermodynamic Diffusion Training
von: De, Aditi
Veröffentlicht: (2026)

Thermodynamic Diffusion Inference with Minimal Digital Conditioning
von: De, Aditi
Veröffentlicht: (2026)

Quantifying and Understanding Uncertainty in Large Reasoning Models
von: Li, Yangyi, et al.
Veröffentlicht: (2026)

Efficient Epistemic Uncertainty Estimation for Large Language Models via Knowledge Distillation
von: Park, Seonghyeon, et al.
Veröffentlicht: (2026)

HybridFlow: Quantification of Aleatoric and Epistemic Uncertainty with a Single Hybrid Model
von: Van Katwyk, Peter, et al.
Veröffentlicht: (2025)

Hierarchical Sparse Plus Low Rank Compression of LLM
von: Kumar, Pawan, et al.
Veröffentlicht: (2025)

From Aleatoric to Epistemic: Exploring Uncertainty Quantification Techniques in Artificial Intelligence
von: Wang, Tianyang, et al.
Veröffentlicht: (2025)

TEAFormers: TEnsor-Augmented Transformers for Multi-Dimensional Time Series Forecasting
von: Kong, Linghang, et al.
Veröffentlicht: (2024)

Tensor-Fused Multi-View Graph Contrastive Learning
von: Wu, Yujia, et al.
Veröffentlicht: (2024)

A Deep State Space Model for Rainfall-Runoff Simulations
von: Wang, Yihan, et al.
Veröffentlicht: (2025)

Uncertainty Quantification and Data Efficiency in AI: An Information-Theoretic Perspective
von: Simeone, Osvaldo, et al.
Veröffentlicht: (2025)

Shedding Light on Large Generative Networks: Estimating Epistemic Uncertainty in Diffusion Models
von: Berry, Lucas, et al.
Veröffentlicht: (2024)

Efficient Epistemic Uncertainty Estimation in Regression Ensemble Models Using Pairwise-Distance Estimators
von: Berry, Lucas, et al.
Veröffentlicht: (2023)

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

CUPID: A Plug-in Framework for Joint Aleatoric and Epistemic Uncertainty Estimation with a Single Model
von: Xu, Xinran, et al.
Veröffentlicht: (2026)

Structure-Aware Epistemic Uncertainty Quantification for Neural Operator PDE Surrogates
von: Song, Haoze, et al.
Veröffentlicht: (2026)

Where to Measure: Epistemic Uncertainty-Based Sensor Placement with ConvCNPs
von: Eksen, Feyza, et al.
Veröffentlicht: (2025)

Extending Epistemic Uncertainty Beyond Parameters Would Assist in Designing Reliable LLMs
von: Nguyen-Hien, T. Duy, et al.
Veröffentlicht: (2025)

Generative Uncertainty in Diffusion Models
von: Jazbec, Metod, et al.
Veröffentlicht: (2025)

Conformal Prediction on Quantifying Uncertainty of Dynamic Systems
von: Liang, Aoming, et al.
Veröffentlicht: (2024)

ACT-Tensor: Tensor Completion Framework for Financial Dataset Imputation
von: Mo, Junyi, et al.
Veröffentlicht: (2025)

Deep Ensembles for Epistemic Uncertainty: A Frequentist Perspective
von: Jain, Anchit, et al.
Veröffentlicht: (2025)

Universal Value-Function Uncertainties
von: Zanger, Moritz A., et al.
Veröffentlicht: (2025)

Plan First, Diffuse Later: Extrinsic Graph Guidance for Long-Horizon Diffusion Planning
von: Hassidof, Yaniv, et al.
Veröffentlicht: (2026)

Train-Once Plan-Anywhere Kinodynamic Motion Planning via Diffusion Trees
von: Hassidof, Yaniv, et al.
Veröffentlicht: (2025)

UncertaintyZoo: A Unified Toolkit for Quantifying Predictive Uncertainty in Deep Learning Systems
von: Wu, Xianzong, et al.
Veröffentlicht: (2025)