Copertina

Monte Carlo Stochastic Depth for Uncertainty Estimation in Deep Learning

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Müller, Adam T., Rögelein, Tobias, Stache, Nicolaj C.
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

Generative Anonymization in Event Streams
di: Müller, Adam T., et al.
Pubblicazione: (2026)

Reducing Experimental Testing in Space Propulsion Film Cooling Analyses by Pixelwise Generative Image Interpolation
di: Müller, Adam T., et al.
Pubblicazione: (2026)

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

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

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

Monte Carlo Tree Search in the Presence of Transition Uncertainty
di: Kohankhaki, Farnaz, et al.
Pubblicazione: (2023)

A Monte Carlo Framework for Calibrated Uncertainty Estimation in Sequence Prediction
di: Yang, Qidong, et al.
Pubblicazione: (2024)

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

Efficient Online Variational Estimation via Monte Carlo Sampling
di: Chagneux, Mathis, et al.
Pubblicazione: (2026)

Uncertainty Estimation by Flexible Evidential Deep Learning
di: Yoon, Taeseong, et al.
Pubblicazione: (2025)

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

Uncertainty Estimation by Density Aware Evidential Deep Learning
di: Yoon, Taeseong, et al.
Pubblicazione: (2024)

Capturing Climatic Variability: Using Deep Learning for Stochastic Downscaling
di: Daust, Kiri, et al.
Pubblicazione: (2024)

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

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

Sampling conditioned diffusions via Pathspace Projected Monte Carlo
di: Grafke, Tobias
Pubblicazione: (2025)

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

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

Enhancing Low-Precision Sampling via Stochastic Gradient Hamiltonian Monte Carlo
di: Wang, Ziyi, et al.
Pubblicazione: (2023)

Parameter Expanded Stochastic Gradient Markov Chain Monte Carlo
di: Kim, Hyunsu, et al.
Pubblicazione: (2025)

Langevin Monte-Carlo Provably Learns Depth Two Neural Nets at Any Size and Data
di: Kumar, Dibyakanti, et al.
Pubblicazione: (2025)

Scale-Dropout: Estimating Uncertainty in Deep Neural Networks Using Stochastic Scale
di: Ahmed, Soyed Tuhin, et al.
Pubblicazione: (2023)

Curriculum RL meets Monte Carlo Planning: Optimization of a Real World Container Management Problem
di: Pendyala, Abhijeet, et al.
Pubblicazione: (2025)

VariBASed: Variational Bayes-Adaptive Sequential Monte-Carlo Planning for Deep Reinforcement Learning
di: de Vries, Joery A., et al.
Pubblicazione: (2026)

Uncertainty in AI-driven Monte Carlo simulations
di: Tzivrailis, Dimitrios, et al.
Pubblicazione: (2025)

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

Monte Carlo Functional Regularisation for Continual Learning
di: Hao, Pengcheng, et al.
Pubblicazione: (2025)

Scalable and Efficient Methods for Uncertainty Estimation and Reduction in Deep Learning
di: Ahmed, Soyed Tuhin
Pubblicazione: (2024)

Evaluating Uncertainty in Deep Gaussian Processes
di: van der Lende, Matthijs, et al.
Pubblicazione: (2025)

Multi-level Monte-Carlo Gradient Methods for Stochastic Optimization with Biased Oracles
di: Hu, Yifan, et al.
Pubblicazione: (2024)

Evidential Deep Learning: Enhancing Predictive Uncertainty Estimation for Earth System Science Applications
di: Schreck, John S., et al.
Pubblicazione: (2023)

Scalable Monte Carlo for Bayesian Learning
di: Fearnhead, Paul, et al.
Pubblicazione: (2024)

Stochastic Gradient Piecewise Deterministic Monte Carlo Samplers
di: Fearnhead, Paul, et al.
Pubblicazione: (2024)

Smoothed Distance Kernels for MMDs and Applications in Wasserstein Gradient Flows
di: Rux, Nicolaj, et al.
Pubblicazione: (2025)

Adaptive Meta-Learning Stochastic Gradient Hamiltonian Monte Carlo Simulation for Bayesian Updating of Structural Dynamic Models
di: Meng, Xianghao, et al.
Pubblicazione: (2026)

Plan2Cleanse: Test-Time Backdoor Defense via Monte-Carlo Planning in Deep Reinforcement Learning
di: Chen, Sze-Ann, et al.
Pubblicazione: (2026)

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

Deep Variational Sequential Monte Carlo for High-Dimensional Observations
di: van Nierop, Wessel L., et al.
Pubblicazione: (2025)

HAVER: Instance-Dependent Error Bounds for Maximum Mean Estimation and Applications to Q-Learning and Monte Carlo Tree Search
di: Nguyen, Tuan Ngo, et al.
Pubblicazione: (2024)

Stochastic Deep Learning: A Probabilistic Framework for Modeling Uncertainty in Structured Temporal Data
di: Rice, James
Pubblicazione: (2026)