論文の概要: Test-time augmentation improves efficiency in conformal prediction

• arxiv url: http://arxiv.org/abs/2505.22764v1
• Date: Wed, 28 May 2025 18:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.476441
• Title: Test-time augmentation improves efficiency in conformal prediction
• Title（参考訳）: テスト時間拡張は共形予測における効率を改善する
• Authors: Divya Shanmugam, Helen Lu, Swami Sankaranarayanan, John Guttag,
• Abstract要約: テスト時間拡張(TTA)は推論中に帰納バイアスを導入し、共形分類器によって生成される集合のサイズを再現することを示した。 TTAは任意のコンフォメーションスコアと組み合わせることができ、モデルの再トレーニングを必要とせず、予測セットのサイズを平均で10%-14%削減できる。 3つのデータセット、3つのモデル、2つの確立されたコンフォメーションスコアリング方法、異なる保証強度、そして、テスト時間拡張がコンフォメーションパイプラインに有用な追加である理由を示すために、いくつかの分散シフトを評価する。
• 参考スコア（独自算出の注目度）: 4.495003996384159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A conformal classifier produces a set of predicted classes and provides a probabilistic guarantee that the set includes the true class. Unfortunately, it is often the case that conformal classifiers produce uninformatively large sets. In this work, we show that test-time augmentation (TTA)--a technique that introduces inductive biases during inference--reduces the size of the sets produced by conformal classifiers. Our approach is flexible, computationally efficient, and effective. It can be combined with any conformal score, requires no model retraining, and reduces prediction set sizes by 10%-14% on average. We conduct an evaluation of the approach spanning three datasets, three models, two established conformal scoring methods, different guarantee strengths, and several distribution shifts to show when and why test-time augmentation is a useful addition to the conformal pipeline.
• Abstract（参考訳）: 共形分類器は予測されたクラスの集合を生成し、その集合が真のクラスを含むという確率的保証を提供する。 残念なことに、共形分類器が非形式的に大きな集合を生成する場合がしばしばある。 本研究では,共形分類器によって生成される集合のサイズを再現し,推論中に帰納的バイアスを導入する手法であるTTA(Test-time augmentation)を示す。 私たちのアプローチは柔軟で、計算効率が良く、効果的です。 任意のコンフォメーションスコアと組み合わせて、モデルの再トレーニングを必要とせず、予測セットのサイズを平均で10%-14%削減することができる。 3つのデータセット、3つのモデル、2つの確立されたコンフォメーションスコアリング方法、異なる保証強度、そして、テスト時間拡張がコンフォメーションパイプラインに有用な追加である理由を示すために、いくつかの分散シフトを評価する。

関連論文リスト

• 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)
• 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)
• CHAMP: Conformalized 3D Human Multi-Hypothesis Pose Estimators [20.476154502171696]
  CHAMPは2次元キーポイントからシーケンス・ツー・シーケンス・マルチ・ハイプセシスの人間のポーズを学習する新しい方法である。 この結果から, 共形予測フィルタによる仮説に対する単純な平均アグリゲーションを用いることで, 競合する結果が得られることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T02:42:38Z)
• 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)
• ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
  ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。 各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。 これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
  論文  参考訳（メタデータ） (2022-09-04T12:49:20Z)
• Beyond Adult and COMPAS: Fairness in Multi-Class Prediction [8.405162568925405]
  我々は、この問題を、事前訓練された(そして潜在的に不公平な)分類器を、対象のグループフェアネス要件を満たすモデルの集合に「投影する」という観点で定式化する。 投影された分類器を並列化して計算し、サンプルの複雑性と収束保証の両方を導出する反復アルゴリズムを提案する。 また,複数のクラス,複数の交差保護グループ,100万以上のサンプルを持つオープンデータセット上で,本手法を大規模に評価した。
  論文  参考訳（メタデータ） (2022-06-15T20:29:33Z)
• How Nonconformity Functions and Difficulty of Datasets Impact the Efficiency of Conformal Classifiers [0.1611401281366893]
  整合分類では、システムは1つではなく複数のクラスラベルを出力できる。 ニューラルネットワークに基づく共形分類器の場合、逆確率は予測ラベルの平均数を最小化することができる。 この2つの非整合関数の性質を結合する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-12T11:50:12Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。