Efficient Analytic Uncertainty Quantification for Multi-Modal Regression
회귀에서 단봉 파라미터 모델 기반 불확실성 정량화(UQ)는 다중 모달 조건부 분포를 제대로 다루지 못하고, Quantile Regression(QR)과 Classification Restoration(CR) 같은 준모수 회귀는 예측 분산의 효율적 정량화가 부족하다. Variational Bayesian Inference(VBI)를 QR·CR에 확장한 통합 프레임워크는 분석적 증거 하한(ELBO)과 폐형 또는 근사적 예측 밀도로 효율적 UQ를 제공하며, 세 개 대규모 다중 모달 벤치마크에서 최신 베이스라인을 능가하고 계산 비용이 큰 앙상블과 유사한 예측 성능과 인식론적(epistemic) 불확실성 기반 데이터 효율적 능동 학습(active learning)을 달성한다.