Toward Intrinsically Calibrated Uncertainty Quantification in Industrial Data-Driven Models via Diffusion Sampler

Yiran Ma, Jérôme Le Ny, Zhichao Chen, Zhihuan Song

Article de revue (2026)

Accéder à ce document
Lien externe
Ce document n'est pas archivé dans PolyPublie, mais peut être consulté chez l'éditeur officiel
Voir chez l'éditeur officiel

Mots clés

Département:
Département de génie électrique
Organismes subventionnaires:
National Natural Science Foundation of China, China Postdoctoral Science Foundation
Numéro de subvention:
62473103, 2025M781449
Adresse URL de PolyPublie:
https://publications.polymtl.ca/76586/
Titre de la revue :
IEEE Transactions on Industrial Informatics
Maison d'édition:
Institute of Electrical and Electronics Engineers
DOI:
10.1109/tii.2026.3680957
URL officielle:
https://doi.org/10.1109/tii.2026.3680957
OAI:
oai:publications.polymtl.ca:76586
ORCID
Date du dépôt:
13 mai 2026 16:26
Dernière modification:
14 oct. 2026 14:38
Citer en APA 7:
Ma, Y., Le Ny, J., Chen, Z., & Song, Z. (2026). Toward Intrinsically Calibrated Uncertainty Quantification in Industrial Data-Driven Models via Diffusion Sampler. IEEE Transactions on Industrial Informatics, 12 pages. https://doi.org/10.1109/tii.2026.3680957

Statistiques

Dimensions

Actions réservées au personnel

Afficher document
Afficher document