Buchumschlag

A Machine Learning Framework for Uncertainty-Calibrated Capability Decision under Finite Samples

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jiang, Fei, Yang, Lei
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Applications
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonlinear Amplification of Finite-Sample Uncertainty in Capability-Based Decisions
von: Jiang, Fei, et al.
Veröffentlicht: (2026)

Risk-Calibrated Process Capability Approval with Finite Samples
von: Jiang, Fei, et al.
Veröffentlicht: (2026)

Finite-Sample Decision Instability in Threshold-Based Process Capability Approval
von: Jiang, Fei, et al.
Veröffentlicht: (2026)

Bayesian Deployment Approval for Learned Landing Controllers under Finite Rollout Validation
von: Jiang, Fei, et al.
Veröffentlicht: (2026)

Practical Process Capability Indices Workflows
von: Jiang, Fei, et al.
Veröffentlicht: (2026)

Simulation-based Calibration of Uncertainty Intervals under Approximate Bayesian Estimation
von: Savitsky, Terrance D., et al.
Veröffentlicht: (2024)

A Sensitivity Analysis Framework for Quantifying Confidence in Decisions in the Presence of Data Uncertainty
von: Wadekar, Adway S., et al.
Veröffentlicht: (2025)

Learning Fair Decisions with Factor Models: Applications to Annuity Pricing
von: Huang, Fei, et al.
Veröffentlicht: (2024)

Estimating Decision Uncertainty from Preference Uncertainty: Application to Ground Vehicle Design
von: Liu, Chia-Ruei, et al.
Veröffentlicht: (2026)

Uncertainty Estimation of the Optimal Decision with Application to Cure Process Optimization
von: Li, Yezhuo, et al.
Veröffentlicht: (2025)

Degradation-Aware and Machine Learning-Driven Uncertainty Quantification in Crystal Plasticity Finite Element: Texture-Driven Plasticity in 316L Stainless Steel
von: Kumar, Dinesh, et al.
Veröffentlicht: (2025)

Research Funding as a Decision Problem Under Heavy-Tailed Uncertainty
von: Sorzano, Carlos Oscar S., et al.
Veröffentlicht: (2026)

Quantifying Uncertainty in Void Swelling Prediction: A Conformal Prediction Framework for Reactor Safety Margins
von: Kim, Minhee, et al.
Veröffentlicht: (2026)

MOOSE ProbML: Parallelized Probabilistic Machine Learning and Uncertainty Quantification for Computational Energy Applications
von: Dhulipala, Somayajulu L. N., et al.
Veröffentlicht: (2025)

Categorising the World into Local Climate Zones -- Towards Quantifying Labelling Uncertainty for Machine Learning Models
von: Hechinger, Katharina, et al.
Veröffentlicht: (2023)

A Direct Importance Sampling-based Framework for Rare Event Uncertainty Quantification in Non-Gaussian Spaces
von: Eshra, Elsayed, et al.
Veröffentlicht: (2024)

A Unified Framework for Density Estimation under Right-Censored Point-Centred Quarter Sampling
von: Huang, Wenzhe, et al.
Veröffentlicht: (2026)

Statistical Uncertainty Quantification for Aggregate Performance Metrics in Machine Learning Benchmarks
von: Longjohn, Rachel, et al.
Veröffentlicht: (2025)

Policy Robustness & Uncertainty in Model-based Decision Support for the Energy Transition
von: Burton, Ian J., et al.
Veröffentlicht: (2025)

Uncertainty-Calibrated Prediction of Randomly-Timed Biomarker Trajectories with Conformal Bands
von: Tassopoulou, Vasiliki, et al.
Veröffentlicht: (2025)

Finite-Sample Valid Randomization Tests for Monotone Spillover Effects
von: Huang, Shunzhuang, et al.
Veröffentlicht: (2025)

A Machine Learning-Based Framework to Shorten the Questionnaire for Assessing Autism Intervention
von: Dong, Audrey, et al.
Veröffentlicht: (2025)

Rapid Scaling of Compositional Uncertainty from Sample to Population Levels
von: Wang, Yiran, et al.
Veröffentlicht: (2025)

Calibrated Predictive Lower Bounds on Time-to-Unsafe-Sampling in LLMs
von: Davidov, Hen, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Calibration of a Hot-Wire Anemometer With Gaussian Process Regression
von: García-Ruiz, Rubén Antonio, et al.
Veröffentlicht: (2024)

BanditCAT and AutoIRT: Machine Learning Approaches to Computerized Adaptive Testing and Item Calibration
von: Sharpnack, James, et al.
Veröffentlicht: (2024)

Nullstrap-DE: A General Framework for Calibrating FDR and Preserving Power in DE Methods, with Applications to DESeq2 and edgeR
von: Jiang, Chenxin, et al.
Veröffentlicht: (2025)

Fusion Sampling Validation in Data Partitioning for Machine Learning
von: Udomboso, Christopher Godwin, et al.
Veröffentlicht: (2025)

A Utility Score Framework for Dose Optimization Studies with Binary Efficacy-Safety Endpoints: Sample Size Determination and Bias Characterization
von: Gu, Xuemin, et al.
Veröffentlicht: (2026)

Distributional Deep Learning for Super-Resolution of 4D Flow MRI under Domain Shift
von: Wen, Xiaoyi, et al.
Veröffentlicht: (2026)

Decision Quality Evaluation Framework at Pinterest
von: Tian, Yuqi, et al.
Veröffentlicht: (2026)

Kicking for Goal or Touch? An Expected Points Framework for Penalty Decisions in Rugby Union
von: Watts, Kenny, et al.
Veröffentlicht: (2025)

Bayesian Functional Analysis for Untargeted Metabolomics Data with Matching Uncertainty and Small Sample Sizes
von: Ma, Guoxuan, et al.
Veröffentlicht: (2023)

A Machine Learning--Based Surrogate EKMA Framework for Diagnosing Urban Ozone Formation Regimes: Evidence from Los Angeles
von: Zheng, Sijie
Veröffentlicht: (2026)

Finite element model updating of building structures under seismic excitation: A parallelized latent space-based Bayesian framework
von: Yaoyama, Taro, et al.
Veröffentlicht: (2026)

Evaluating Calibration Uncertainty and Response Time of RS41 Humidity Sensors Under a Ventilation Speed of 5 m s −1
von: Sung Min Kim, et al.
Veröffentlicht: (2025)

A Machine Learning-based Anomaly Detection Framework in Life Insurance Contracts
von: Groll, Andreas, et al.
Veröffentlicht: (2024)

Sample Size Selection under an Infill Asymptotic Domain
von: Natoli, Cory W., et al.
Veröffentlicht: (2024)

Predictive Volatility of Machine Learning in Micro-Samples: A Regularised Assessment of Regional Poverty
von: Jamaluddin, A. H., et al.
Veröffentlicht: (2026)

Machine learning bridging battery field data and laboratory data
von: Zhao, Yanbin, et al.
Veröffentlicht: (2025)