論文の概要: Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score

• arxiv url: http://arxiv.org/abs/2505.21147v1
• Date: Tue, 27 May 2025 12:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.657676
• Title: Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score
• Title（参考訳）: ラベルなし非整合スコアを用いた半監督等角予測
• Authors: Xuanning Zhou, Hao Zeng, Xiaobo Xia, Bingyi Jing, Hongxin Wei,
• Abstract要約: コンフォーマル予測(CP)は不確実性定量化のための強力なフレームワークである。 ラベル付きデータがしばしば制限される現実世界のアプリケーションでは、標準CPはカバレッジの偏りを生じさせ、非常に大きな予測セットを出力する。 ラベル付きデータとラベルなしデータの両方を利用してキャリブレーションを行うSemiCPを提案する。
• 参考スコア（独自算出の注目度）: 19.15617038007535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction (CP) is a powerful framework for uncertainty quantification, providing prediction sets with coverage guarantees when calibrated on sufficient labeled data. However, in real-world applications where labeled data is often limited, standard CP can lead to coverage deviation and output overly large prediction sets. In this paper, we extend CP to the semi-supervised setting and propose SemiCP, leveraging both labeled data and unlabeled data for calibration. Specifically, we introduce a novel nonconformity score function, NNM, designed for unlabeled data. This function selects labeled data with similar pseudo-label scores to estimate nonconformity scores, integrating them into the calibration process to overcome sample size limitations. We theoretically demonstrate that, under mild assumptions, SemiCP provide asymptotically coverage guarantee for prediction sets. Extensive experiments further validate that our approach effectively reduces instability and inefficiency under limited calibration data, can be adapted to conditional coverage settings, and integrates seamlessly with existing CP methods.
• Abstract（参考訳）: コンフォーマル予測(CP)は不確実性定量化のための強力なフレームワークであり、十分なラベル付きデータで校正された場合のカバレッジ保証を備えた予測セットを提供する。 しかし、ラベル付きデータがしばしば制限される現実世界のアプリケーションでは、標準CPは範囲のずれを招き、非常に大きな予測セットを出力する。 本稿では、CPを半教師付き設定に拡張し、ラベル付きデータとラベルなしデータの両方をキャリブレーションに利用してSemiCPを提案する。 具体的には、ラベルなしデータ用に設計された新しい非整合スコア関数NNMを導入する。 この関数は、類似の擬似ラベルスコアを持つラベル付きデータを選択し、非整合性スコアを推定し、それらを校正プロセスに統合してサンプルサイズ制限を克服する。 理論的には、穏やかな仮定の下で、SemiCPは予測セットに対して漸近的にカバレッジを保証することを実証する。 さらに,本手法が限られたキャリブレーションデータの下での不安定性と非効率性を効果的に低減し,条件付きカバレッジ設定に適応し,既存のCP手法とシームレスに統合できることを検証した。

関連論文リスト

• Adaptive Temperature Scaling with Conformal Prediction [47.51764759462074]
  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。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• Conformal Prediction with Corrupted Labels: Uncertain Imputation and Robust Re-weighting [25.916898357807455]
  本稿では,ラベル付きトレーニングデータが破損した状況において,ロバストな不確実性定量化のためのフレームワークを提案する。 我々は予測セットを生成する統計ツールである共形予測に基づいて構築する。 重み推定に依存しない新しい共形法である不確実な計算を導入する。
  論文  参考訳（メタデータ） (2025-05-07T18:46:02Z)
• 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)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• 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)
• Robust Yet Efficient Conformal Prediction Sets [53.78604391939934]
  コンフォーマル予測(CP)は、任意のモデルの出力を真のラベルを含むことが保証された予測セットに変換することができる。 整合性スコアの最悪のケース変化をバウンドすることで、証明可能なロバストな集合を導出する。
  論文  参考訳（メタデータ） (2024-07-12T10:59:44Z)
• Adapting Conformal Prediction to Distribution Shifts Without Labels [16.478151550456804]
  コンフォーマル予測(CP)により、機械学習モデルは、保証されたカバレッジ率で予測セットを出力できる。 我々の目標は、テストドメインからのラベルなしデータのみを使用して、CP生成予測セットの品質を改善することです。 これは、未ラベルテストデータに対するベースモデルの不確実性に応じてCPのスコア関数を調整する、ECP と EACP と呼ばれる2つの新しい手法によって達成される。
  論文  参考訳（メタデータ） (2024-06-03T15:16:02Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。