ترجمه فارسی مقاله کمی‌سازی عدم قطعیت Zero-Shot با استفاده از مدل‌های احتمالی انتشار

چکیده

The success of diffusion probabilistic models in generative tasks, such as text-to-image generation, has motivated the exploration of their application to regression problems commonly encountered in scientific computing and various other domains. In this context, the use of diffusion regression models for ensemble prediction is becoming a practice with increasing popularity. Under such background, we conducted a study to quantitatively evaluate the effectiveness of ensemble methods on solving different regression problems using diffusion models. We consider the ensemble prediction of a diffusion model as a means for zero-shot uncertainty quantification, since the diffusion models in our study are not trained with a loss function containing any uncertainty estimation. Through extensive experiments on 1D and 2D data, we demonstrate that ensemble methods consistently improve model prediction accuracy across various regression tasks. Notably, we observed a larger accuracy gain in auto-regressive prediction compared with point-wise prediction, and that enhancements take place in both the mean-square error and the physics-informed loss. Additionally, we reveal a statistical correlation between ensemble prediction error and ensemble variance, offering insights into balancing computational complexity with prediction accuracy and monitoring prediction confidence in practical applications where the ground truth is unknown. Our study provides a comprehensive view of the utility of diffusion ensembles, serving as a useful reference for practitioners employing diffusion models in regression problem-solving.

چکیده به فارسی (ترجمه ماشینی)

موفقیت مدلهای احتمالی انتشار در کارهای تولیدی ، مانند تولید متن به تصویر ، باعث اکتشاف کاربرد آنها برای مشکلات رگرسیون شده است که معمولاً در محاسبات علمی و حوزه های مختلف دیگر مشاهده می شود.در این زمینه ، استفاده از مدل های رگرسیون انتشار برای پیش بینی گروه در حال تبدیل شدن به یک عمل با افزایش محبوبیت است.تحت چنین پیشینه ای ، ما یک مطالعه را برای ارزیابی کمی از اثربخشی روشهای گروه در حل مشکلات رگرسیون مختلف با استفاده از مدلهای انتشار انجام دادیم.ما پیش بینی گروه از یک مدل انتشار را به عنوان ابزاری برای کمیت عدم اطمینان از صفر در نظر می گیریم ، زیرا مدل های انتشار در مطالعه ما با یک عملکرد از دست دادن حاوی هرگونه تخمین عدم اطمینان آموزش نمی یابند.از طریق آزمایش های گسترده در مورد داده های 1D و 2D ، ما نشان می دهیم که روش های گروه به طور مداوم دقت پیش بینی مدل را در کارهای مختلف رگرسیون بهبود می بخشند.نکته قابل توجه ، ما افزایش دقت بیشتری در پیش بینی خودکار در مقایسه با پیش بینی نقطه نظر مشاهده کردیم ، و این پیشرفت ها در هر دو خطای میانگین مربعات و از دست دادن فیزیک انجام می شود.علاوه بر این ، ما یک همبستگی آماری بین خطای پیش بینی گروه و واریانس گروه را نشان می دهیم ، و بینش هایی را در مورد تعادل پیچیدگی محاسباتی با دقت پیش بینی و نظارت بر اعتماد به نفس در برنامه های عملی که در آن حقیقت زمین ناشناخته است ، ارائه می دهیم.مطالعه ما یک دیدگاه جامع از ابزار گروههای انتشار ارائه می دهد ، و به عنوان یک مرجع مفید برای پزشکان با استفاده از مدل های انتشار در حل مسئله رگرسیون خدمت می کند.