Fugu-MT 論文翻訳(概要): Entropy Reweighted Conformal Classification

論文の概要: Entropy Reweighted Conformal Classification

arxiv url: http://arxiv.org/abs/2407.17377v1
Date: Wed, 24 Jul 2024 15:57:55 GMT
ステータス: 処理完了
システム内更新日: 2024-07-25 13:25:07.052281
Title: Entropy Reweighted Conformal Classification
Title（参考訳）: Entropy Reweighted Conformal Classification
Authors: Rui Luo, Nicolo Colombo,
Abstract要約: Conformal Prediction (CP) は、保証されたカバレッジで予測セットを構築するための強力なフレームワークである。近年の研究では、信頼性校正とCPの統合は効率の低下につながることが示されている。分類器の不確実性を考慮した適応的手法を提案し,予測セットの効率を高めるためにエントロピーに基づく再重み付けを用いる。
参考スコア（独自算出の注目度）: 1.5634429098976406
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Conformal Prediction (CP) is a powerful framework for constructing prediction sets with guaranteed coverage. However, recent studies have shown that integrating confidence calibration with CP can lead to a degradation in efficiency. In this paper, We propose an adaptive approach that considers the classifier's uncertainty and employs entropy-based reweighting to enhance the efficiency of prediction sets for conformal classification. Our experimental results demonstrate that this method significantly improves efficiency.
Abstract（参考訳）: Conformal Prediction (CP) は、保証されたカバレッジで予測セットを構築するための強力なフレームワークである。しかし、最近の研究では、CPと信頼性校正を統合することで効率が低下することが示されている。本稿では,分類器の不確実性を考慮した適応的手法を提案し,エントロピーに基づく再重み付けを用いて共形分類のための予測セットの効率を向上させる。実験結果から,本手法は効率を著しく向上することが示された。

関連論文リスト

Optimizing Probabilistic Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
本研究では,まず非整合性スコアをランク付きサンプルでベクトル化し,次に同じランクのサンプルに対して定量値を変化させることで,予測値の形状を最適化することにより,効率を向上させる新しいフレームワークを提案する。提案手法は,不連続かつ効率的な予測セットを生成しながら,有効なカバレッジを提供する。
論文参考訳（メタデータ） (2024-10-17T16:37:03Z)
C-Adapter: Adapting Deep Classifiers for Efficient Conformal Prediction Sets [19.318945675529456]
精度を犠牲にすることなく共形予測器の効率を向上させるためにtextbfConformal Adapter (C-Adapter) を導入する。特に、命令保存関数のクラスとしてアダプタを実装し、提案した損失に合わせて調整する。 C-Adapterを使用すると、このモデルは間違ったラベルに対して非常に高い非整合性スコアを生成する傾向にある。
論文参考訳（メタデータ） (2024-10-12T07:28:54Z)
Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
生成モデルは出力に対する厳密な統計的保証を欠いている。厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
論文参考訳（メタデータ） (2024-10-02T15:26:52Z)
Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-27T21:46:42Z)
Weighted Aggregation of Conformity Scores for Classification [9.559062601251464]
コンフォーマル予測は、有効なカバレッジ保証を備えた予測セットを構築するための強力なフレームワークである。本稿では,共形予測器の性能向上のために,複数のスコア関数を組み合わせた新しい手法を提案する。
論文参考訳（メタデータ） (2024-07-14T14:58:03Z)
Conformal Prediction with Learned Features [22.733758606168873]
本稿では,予測セットの条件付き妥当性を向上させるために,PLCP(Partition Learning Conformal Prediction)を提案する。我々は,市販の機械学習モデルを用いて,勾配の交互化によるPLCPを効率的に実装する。 4つの実世界および合成データセットに対する実験結果から,PLCPの優れた性能を示した。
論文参考訳（メタデータ） (2024-04-26T15:43:06Z)
PAC-Bayes Generalization Certificates for Learned Inductive Conformal Prediction [27.434939269672288]
我々はPAC-Bayes理論を用いて、集合値予測器のカバレッジと効率の一般化境界を求める。我々はこれらの理論結果を活用し、キャリブレーションデータを用いてモデルのパラメータやスコア関数を微調整する実用的なアルゴリズムを提供する。我々は, 回帰および分類タスクに対するアプローチの評価を行い, ICP 上の Hoeffding bound-based PAC 保証を用いて, 基準値の調整を行った。
論文参考訳（メタデータ） (2023-12-07T19:40:44Z)
Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。本稿では,共形予測を連邦学習環境に拡張する。本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文参考訳（メタデータ） (2023-05-27T19:57:27Z)
Re-Assessing the "Classify and Count" Quantification Method [88.60021378715636]
分類とカウント(CC)は、しばしば偏りのある推定器である。以前の作業では、CCの適切に最適化されたバージョンを適切に使用できなかった。最先端の手法に劣っているものの、ほぼ最先端の精度を実現している、と我々は主張する。
論文参考訳（メタデータ） (2020-11-04T21:47:39Z)
Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文参考訳（メタデータ） (2020-10-15T16:14:27Z)
Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。