論文の概要: RR-CP: Reliable-Region-Based Conformal Prediction for Trustworthy Medical Image Classification

• arxiv url: http://arxiv.org/abs/2309.04760v1
• Date: Sat, 9 Sep 2023 11:14:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 16:27:07.056165
• Title: RR-CP: Reliable-Region-Based Conformal Prediction for Trustworthy Medical Image Classification
• Title（参考訳）: RR-CP:信頼できる医用画像分類のための信頼度に基づくコンフォーマル予測
• Authors: Yizhe Zhang, Shuo Wang, Yejia Zhang, Danny Z. Chen
• Abstract要約: コンフォーマル予測(CP)は、与えられたテストサンプルに対して一連の予測を生成する。 集合のサイズは、予測がどの程度あるかを示す。 信頼度に基づくコンフォーマル予測(RR-CP)と呼ばれる新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 24.52922162675259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) generates a set of predictions for a given test sample such that the prediction set almost always contains the true label (e.g., 99.5\% of the time). CP provides comprehensive predictions on possible labels of a given test sample, and the size of the set indicates how certain the predictions are (e.g., a set larger than one is `uncertain'). Such distinct properties of CP enable effective collaborations between human experts and medical AI models, allowing efficient intervention and quality check in clinical decision-making. In this paper, we propose a new method called Reliable-Region-Based Conformal Prediction (RR-CP), which aims to impose a stronger statistical guarantee so that the user-specified error rate (e.g., 0.5\%) can be achieved in the test time, and under this constraint, the size of the prediction set is optimized (to be small). We consider a small prediction set size an important measure only when the user-specified error rate is achieved. Experiments on five public datasets show that our RR-CP performs well: with a reasonably small-sized prediction set, it achieves the user-specified error rate (e.g., 0.5\%) significantly more frequently than exiting CP methods.
• Abstract（参考訳）: 整形予測(CP)は、与えられたテストサンプルに対して、予測セットがほぼ常に真のラベル(例えば、時間の99.5\%)を含むような一連の予測を生成する。 CP は与えられたテストサンプルのラベルを包括的に予測し、その集合のサイズは、その予測がどの程度あるかを示す(例えば、1より大きい集合が '不確か' である)。 このようなCPの特徴は、ヒトの専門家と医療AIモデルとの効果的なコラボレーションを可能にし、臨床意思決定における効果的な介入と品質チェックを可能にする。 本稿では,ユーザが特定したエラー率(0.5 %)をテスト時間内に達成し,その制約下では,予測セットのサイズを最適化(小さくする)できるように,より強力な統計的保証を課すことを目的とした,Reliable-Region-Based Conformal Prediction (RR-CP)と呼ばれる新しい手法を提案する。 ユーザが特定したエラー率を達成する場合に限って、小さな予測セットのサイズを重要な尺度とみなす。 5つの公開データセットの実験では、我々のRR-CPは、合理的に小さな予測セットで、ユーザが指定したエラー率(例:0.5\%)をCPメソッドを終了するよりもはるかに頻繁に達成する。

関連論文リスト

• On Temperature Scaling and Conformal Prediction of Deep Classifiers [9.975341265604577]
  この目的のための2つの一般的なアプローチは、(1)最大値が正当性確率をより正確に推定するように分類器のソフトマックス値を変更すること、(2)整形予測(CP):真のラベルを含む候補ラベルの予測セットをユーザ特定確率で生成することである。 実際には、どちらの種類の表示も望ましいが、今のところ両者の相互作用は研究されていない。
  論文  参考訳（メタデータ） (2024-02-08T16:45:12Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• PAC Prediction Sets Under Label Shift [52.30074177997787]
  予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。 ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。 提案手法を5つのデータセットで評価する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:57Z)
• Conformal Prediction for Deep Classifier via Label Ranking [29.784336674173616]
  コンフォーマル予測(Conformal prediction)は、予測セットを所望のカバレッジ保証で生成する統計フレームワークである。 我々は、$textitSorted Adaptive Prediction Sets$ (SAPS)という新しいアルゴリズムを提案する。 SAPSは最大ソフトマックス確率を除いて全ての確率値を捨てる。
  論文  参考訳（メタデータ） (2023-10-10T08:54:14Z)
• Probabilistically robust conformal prediction [9.401004747930974]
  コンフォーマル予測(CP)は、ディープニューラルネットワークを含む機械学習分類器の不確実性を定量化するフレームワークである。 CPに関する既存の作業のほとんど全てがクリーンなテストデータを前提としており、CPアルゴリズムの堅牢性についてはあまり知られていない。 本稿では,ほとんどの摂動に対して頑健性を保証する確率論的頑健な共形予測(PRCP)の問題について検討する。
  論文  参考訳（メタデータ） (2023-07-31T01:32:06Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• A Confidence Machine for Sparse High-Order Interaction Model [16.780058676633914]
  コンフォーマル予測(CP: Conformal Prediction)は、より少ない理論的仮定で予測結果の信頼性を得るための有望な手法である。 我々は,変数間の高次相互作用を考慮に入れた,十分なフレキシブルな,スパース高次相互作用モデル(SHIM)の完全なCPを開発する。
  論文  参考訳（メタデータ） (2022-05-28T03:23:56Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Learning Optimal Conformal Classifiers [32.68483191509137]
  コンフォーマル予測(CP)は、真のクラスを含む信頼セットをユーザが特定した確率で予測するために用いられる。 本稿では, CP を用いた学習において, コンフォーマルラッパーをエンド・ツー・エンドとしたトレーニングモデルを用いて, CP による差別化戦略について検討する。 コンフォメーショントレーニング(ConfTr)は、平均信頼度セットのサイズを小さくすることで、最先端のCP手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-18T11:25:33Z)
• Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
  ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。 提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
  論文  参考訳（メタデータ） (2021-01-07T18:59:33Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。