論文の概要: A conformalized learning of a prediction set with applications to medical imaging classification

• arxiv url: http://arxiv.org/abs/2408.05037v1
• Date: Fri, 9 Aug 2024 12:49:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 15:47:15.140179
• Title: A conformalized learning of a prediction set with applications to medical imaging classification
• Title（参考訳）: 予測セットの共形学習と医用画像分類への応用
• Authors: Roy Hirsch, Jacob Goldberger,
• Abstract要約: 本稿では,真のラベルを含む予測セットをユーザが特定した確率で生成するアルゴリズムを提案する。 提案アルゴリズムをいくつかの標準医用画像分類データセットに適用した。
• 参考スコア（独自算出の注目度）: 14.304858613146536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical imaging classifiers can achieve high predictive accuracy, but quantifying their uncertainty remains an unresolved challenge, which prevents their deployment in medical clinics. We present an algorithm that can modify any classifier to produce a prediction set containing the true label with a user-specified probability, such as 90%. We train a network to predict an instance-based version of the Conformal Prediction threshold. The threshold is then conformalized to ensure the required coverage. We applied the proposed algorithm to several standard medical imaging classification datasets. The experimental results demonstrate that our method outperforms current approaches in terms of smaller average size of the prediction set while maintaining the desired coverage.
• Abstract（参考訳）: 医用画像分類器は高い予測精度を達成できるが、その不確実性を定量化することは未解決の課題であり、診療所への配備を妨げている。 本稿では,任意の分類器を修正して真のラベルを含む予測セットを生成するアルゴリズムを提案する。 コンフォーマル予測しきい値のインスタンスベースのバージョンを予測するために、ネットワークをトレーニングする。 しきい値は、必要なカバレッジを保証するために適合する。 提案アルゴリズムをいくつかの標準医用画像分類データセットに適用した。 実験の結果,提案手法は所望のカバレッジを維持しつつ,予測セットの平均サイズを小さくすることで,現在の手法よりも優れていることが示された。

関連論文リスト

• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage [6.010965256037659]
  コンフォーマル予測は、ランダムに描画された新しいテストポイントの未知の結果を所定の確率でカバーする、わずかに有効な予測間隔を構築する。 そのようなケースでは、選択バイアスによる焦点単位に対する正当性予測間隔は、選択バイアスによる有効なカバレッジを提供できない。 本稿では、選択した単位に対して、有限サンプルの正確なカバレッジ条件を持つ予測セットを構築するための一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-06T17:18:24Z)
• Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
  類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。 クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
  論文  参考訳（メタデータ） (2023-06-15T17:59:02Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
  逐次予測のための一般的な共形予測法を提案する。 相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。 これは計算的に軽量であり、分割共形予測に匹敵する。
  論文  参考訳（メタデータ） (2022-06-02T14:33:00Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)
• Uncertainty Sets for Image Classifiers using Conformal Prediction [112.54626392838163]
  本稿では,任意の分類器を修飾して真のラベルを含む予測集合を,90%などのユーザ指定確率で出力するアルゴリズムを提案する。 このアルゴリズムはPlatetスケーリングのようにシンプルで高速だが、すべてのモデルとデータセットに対して正式な有限サンプルカバレッジを保証する。 提案手法は,Plattスケーリング後の可逆クラスの小さなスコアを正規化することにより,より安定した予測セットを与えるために,既存の共形予測アルゴリズムを改良する。
  論文  参考訳（メタデータ） (2020-09-29T17:58:04Z)

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。