論文の概要: Adaptive Temperature Scaling with Conformal Prediction

• arxiv url: http://arxiv.org/abs/2505.15437v1
• Date: Wed, 21 May 2025 12:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.627354
• Title: Adaptive Temperature Scaling with Conformal Prediction
• Title（参考訳）: コンフォーマル予測による適応温度スケーリング
• Authors: Nikita Kotelevskii, Mohsen Guizani, Eric Moulines, Maxim Panov,
• Abstract要約: 本稿では,共形予測集合の要素にキャリブレーションされた確率を割り当てる最初の手法を提案する。 本手法では,適応キャリブレーション問題として,所望のカバレッジレベルに適合する入力固有温度パラメータを選択する。
• 参考スコア（独自算出の注目度）: 47.51764759462074
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Conformal prediction enables the construction of high-coverage prediction sets for any pre-trained model, guaranteeing that the true label lies within the set with a specified probability. However, these sets do not provide probability estimates for individual labels, limiting their practical use. In this paper, we propose, to the best of our knowledge, the first method for assigning calibrated probabilities to elements of a conformal prediction set. Our approach frames this as an adaptive calibration problem, selecting an input-specific temperature parameter to match the desired coverage level. Experiments on several challenging image classification datasets demonstrate that our method maintains coverage guarantees while significantly reducing expected calibration error.
• Abstract（参考訳）: コンフォーマル予測は、任意の事前訓練されたモデルに対する高被覆予測セットの構築を可能にし、真のラベルが特定の確率でセット内に存在することを保証する。 しかし、これらのセットは個々のラベルに対する確率推定を提供しておらず、実用的使用を制限している。 本稿では,我々の知る限り,共形予測集合の要素に校正された確率を割り当てる最初の方法を提案する。 本手法では,適応キャリブレーション問題として,所望のカバレッジレベルに適合する入力固有温度パラメータを選択する。 いくつかの難解な画像分類データセットの実験により,本手法はキャリブレーション誤差を大幅に低減しつつ,カバレッジ保証を維持していることが示された。

関連論文リスト

• Sparse Activations as Conformal Predictors [19.298282860984116]
  共形予測と疎ソフトマックス様変換の新たな関連性を見いだす。 本研究では, キャリブレーションプロセスが広く使用されている温度スケーリング法に対応するように, 分類のための新しい非整合性スコアを導入する。 提案手法は, 適用範囲, 効率, 適応性の観点から, 競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-02-20T17:53:41Z)
• 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)
• Does confidence calibration improve conformal prediction? [10.340903334800787]
  適応型共形予測において、電流信頼度校正法がより大きな予測セットをもたらすことを示す。 温度値の役割を調べることにより,高信頼度予測が適応型等角予測の効率を高めることが確認された。 本稿では,予測セットの効率を向上させるために,新しい損失関数を備えた温度スケーリングの変種である Conformal Temperature Scaling (ConfTS) を提案する。
  論文  参考訳（メタデータ） (2024-02-06T19:27:48Z)
• Test-time Recalibration of Conformal Predictors Under Distribution Shift Based on Unlabeled Examples [30.61588337557343]
  コンフォーマル予測器は、ユーザが特定した確率で一連のクラスを計算することで不確実性の推定を提供する。 本研究では,自然分布シフト下での優れた不確実性推定を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-10-09T04:46:00Z)

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。