:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hoblos, Rouaa, Dridi, Noura, Zerhouni, Noureddine, Masry, Zeina Al
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2605.23635
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

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

Testing Spintronics Implemented Monte Carlo Dropout-Based Bayesian Neural Networks
von: Ahmed, Soyed Tuhin, et al.
Veröffentlicht: (2024)

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

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

Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
von: Das, Abhinav, et al.
Veröffentlicht: (2025)

Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification
von: Pim, Aaron, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Genomic Classification of Alzheimer's Disease: A Transformer-Based Ensemble Approach with Monte Carlo Dropout
von: Jo, Taeho, et al.
Veröffentlicht: (2025)

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

Physics-Informed Neural Networks for Methane Sorption: Cross-Gas Transfer Learning, Ensemble Collapse Under Physics Constraints, and Monte Carlo Dropout Uncertainty Quantification
von: Nooraiepour, Mohammad, et al.
Veröffentlicht: (2026)

Adaptive Tabu Dropout for Regularization of Deep Neural Network
von: Hasan, Md. Tarek, et al.
Veröffentlicht: (2024)

Monte Carlo Stochastic Depth for Uncertainty Estimation in Deep Learning
von: Müller, Adam T., et al.
Veröffentlicht: (2026)

P-DROP: Poisson-Based Dropout for Graph Neural Networks
von: Yun, Hyunsik
Veröffentlicht: (2025)

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

Hardware-Aware Neural Dropout Search for Reliable Uncertainty Prediction on FPGA
von: Zhang, Zehuan, et al.
Veröffentlicht: (2024)

The Global Neural World Model: Spatially Grounded Discrete Topologies for Action-Conditioned Planning
von: Kermiche, Noureddine
Veröffentlicht: (2026)

Hamiltonian Monte Carlo on ReLU Neural Networks is Inefficient
von: Dinh, Vu C., et al.
Veröffentlicht: (2024)

Enhancing Dropout-based Bayesian Neural Networks with Multi-Exit on FPGA
von: Chen, Hao Mark, et al.
Veröffentlicht: (2024)

Continuum Dropout for Neural Differential Equations
von: Lee, Jonghun, et al.
Veröffentlicht: (2025)

Dropout-Based Rashomon Set Exploration for Efficient Predictive Multiplicity Estimation
von: Hsu, Hsiang, et al.
Veröffentlicht: (2024)

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

NeuFair: Neural Network Fairness Repair with Dropout
von: Dasu, Vishnu Asutosh, et al.
Veröffentlicht: (2024)

Investigating Batch Inference in a Sequential Monte Carlo Framework for Neural Networks
von: Millard, Andrew, et al.
Veröffentlicht: (2026)

Rate-In: Information-Driven Adaptive Dropout Rates for Improved Inference-Time Uncertainty Estimation
von: Zeevi, Tal, et al.
Veröffentlicht: (2024)

Variational Adaptive Noise and Dropout towards Stable Recurrent Neural Networks
von: Kobayashi, Taisuke, et al.
Veröffentlicht: (2025)

Ensemble-Based Dirichlet Modeling for Predictive Uncertainty and Selective Classification
von: Franzen, Courtney, et al.
Veröffentlicht: (2026)

Utilising Gradient-Based Proposals Within Sequential Monte Carlo Samplers for Training of Partial Bayesian Neural Networks
von: Millard, Andrew, et al.
Veröffentlicht: (2025)

Rethinking Inter-LoRA Orthogonality in Adapter Merging: Insights from Orthogonal Monte Carlo Dropout
von: Zhang, Andi, et al.
Veröffentlicht: (2025)

Inference-Time Decomposition of Activations (ITDA): A Scalable Approach to Interpreting Large Language Models
von: Leask, Patrick, et al.
Veröffentlicht: (2025)

Enhancing Fairness and Performance in Machine Learning Models: A Multi-Task Learning Approach with Monte-Carlo Dropout and Pareto Optimality
von: Zanna, Khadija, et al.
Veröffentlicht: (2024)

From Uncertainty to Trust: Kernel Dropout for AI-Powered Medical Predictions
von: Azam, Ubaid, et al.
Veröffentlicht: (2024)

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

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

Accurate and Scalable Estimation of Epistemic Uncertainty for Graph Neural Networks
von: Trivedi, Puja, et al.
Veröffentlicht: (2024)

Dropout Neural Network Training Viewed from a Percolation Perspective
von: Devlin, Finley, et al.
Veröffentlicht: (2025)

Enabling Mixed Effects Neural Networks for Diverse, Clustered Data Using Monte Carlo Methods
von: Tschalzev, Andrej, et al.
Veröffentlicht: (2024)

Provable Generalization Bounds for Deep Neural Networks with Momentum-Adaptive Gradient Dropout
von: Safder, Adeel
Veröffentlicht: (2025)

Approximating Langevin Monte Carlo with ResNet-like Neural Network architectures
von: Miranda, Charles, et al.
Veröffentlicht: (2023)

Localising Dropout Variance in Twin Networks
von: Doyle, Cooper
Veröffentlicht: (2025)