Buchumschlag

Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Du, Hongfei, Barut, Emre, Jin, Fang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cheap Bootstrap for Fast Uncertainty Quantification of Stochastic Gradient Descent
von: Lam, Henry, et al.
Veröffentlicht: (2023)

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

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

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)

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)

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

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)

Probabilistic Skip Connections for Deterministic Uncertainty Quantification in Deep Neural Networks
von: Jimenez, Felix, et al.
Veröffentlicht: (2025)

Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems
von: Tachella, Julian, et al.
Veröffentlicht: (2023)

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

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

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

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

Conformalized Neural Networks for Federated Uncertainty Quantification under Dual Heterogeneity
von: Nguyen, Quang-Huy, et al.
Veröffentlicht: (2026)

Condensed Stein Variational Gradient Descent for Uncertainty Quantification of Neural Networks
von: Padmanabha, Govinda Anantha, et al.
Veröffentlicht: (2024)

UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
von: Yu, Dahai, et al.
Veröffentlicht: (2025)

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

Neural Conditional Probability for Uncertainty Quantification
von: Kostic, Vladimir R., et al.
Veröffentlicht: (2024)

A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks
von: Yu, Yifan, et al.
Veröffentlicht: (2025)

System-Level Uncertainty Quantification with Multiple Machine Learning Models: A Theoretical Framework
von: Du, Xiaoping
Veröffentlicht: (2025)

MCMC Informed Neural Emulators for Uncertainty Quantification in Dynamical Systems
von: Haario, Heikki, et al.
Veröffentlicht: (2026)

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

Uncertainty Quantification of Graph Convolution Neural Network Models of Evolving Processes
von: Hauth, Jeremiah, 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)

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

Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
von: Robertson, Andreas E., et al.
Veröffentlicht: (2025)

Understanding the Trade-offs in Accuracy and Uncertainty Quantification: Architecture and Inference Choices in Bayesian Neural Networks
von: Sheinkman, Alisa, et al.
Veröffentlicht: (2025)

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

Light-Weight Diffusion Multiplier and Uncertainty Quantification for Fourier Neural Operators
von: Matveev, Albert, et al.
Veröffentlicht: (2025)

Micro-Macro Tensor Neural Surrogates for Uncertainty Quantification in Collisional Plasma
von: Chen, Wei, et al.
Veröffentlicht: (2025)

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

Direct Interval Propagation Methods using Neural-Network Surrogates for Uncertainty Quantification in Physical Systems Surrogate Model
von: Faza, Ghifari Adam, et al.
Veröffentlicht: (2026)

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 in Seismic Inversion Through Integrated Importance Sampling and Ensemble Methods
von: Qu, Luping, et al.
Veröffentlicht: (2024)

Epistemic Wrapping for Uncertainty Quantification
von: Sultana, Maryam, et al.
Veröffentlicht: (2025)

Energy Score-Guided Neural Gaussian Mixture Model for Predictive Uncertainty Quantification
von: Yang, Yang, et al.
Veröffentlicht: (2026)

Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks
von: Li, Longze, et al.
Veröffentlicht: (2023)