論文の概要: Conformal Object Detection by Sequential Risk Control

• arxiv url: http://arxiv.org/abs/2505.24038v1
• Date: Thu, 29 May 2025 22:19:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.687149
• Title: Conformal Object Detection by Sequential Risk Control
• Title（参考訳）: 逐次リスク制御によるコンフォーマル物体検出
• Authors: Léo Andéol, Luca Mossina, Adrien Mazoyer, Sébastien Gerchinovitz,
• Abstract要約: コンフォーマル予測(Conformal Prediction)は、任意のデータセットサイズに有効な統計的保証を提供する、ポストホックな手順である。 コンフォーマルオブジェクト検出(COD)の問題を正式に定義する。 本稿では,CRC(Conformal Risk Control)の統計的保証を2つのシーケンシャルタスクに拡張する,シークエンシャル・コンフォーマル・リスク・コントロール(SeqCRC)を提案する。 提案手法の再現とさらなる探索を可能にする共形ツールキットを提案する。
• 参考スコア（独自算出の注目度）: 3.6248657646376707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in object detectors have led to their adoption for industrial uses. However, their deployment in critical applications is hindered by the inherent lack of reliability of neural networks and the complex structure of object detection models. To address these challenges, we turn to Conformal Prediction, a post-hoc procedure which offers statistical guarantees that are valid for any dataset size, without requiring prior knowledge on the model or data distribution. Our contribution is manifold: first, we formally define the problem of Conformal Object Detection (COD) and introduce a novel method, Sequential Conformal Risk Control (SeqCRC), that extends the statistical guarantees of Conformal Risk Control (CRC) to two sequential tasks with two parameters, as required in the COD setting. Then, we propose loss functions and prediction sets suited to applying CRC to different applications and certification requirements. Finally, we present a conformal toolkit, enabling replication and further exploration of our methods. Using this toolkit, we perform extensive experiments, yielding a benchmark that validates the investigated methods and emphasizes trade-offs and other practical consequences.
• Abstract（参考訳）: オブジェクト検出器の最近の進歩は、産業用途への採用につながっている。 しかし、それらのクリティカルなアプリケーションへのデプロイは、ニューラルネットワークの信頼性の欠如と、オブジェクト検出モデルの複雑な構造によって妨げられている。 これらの課題に対処するため、モデルやデータ分散に関する事前の知識を必要とせずに、任意のデータセットサイズに有効な統計的保証を提供する、ポストホックな手法であるConformal Predictionに目を向ける。 まず, コンフォーマルオブジェクト検出(COD)の問題を正式に定義し, コンフォーマルリスク制御(CRC)の統計的保証をCOD設定で要求される2つの逐次タスクに拡張するシークエンシャルコンフォーマルリスク制御(SeqCRC)を導入する。 そこで本研究では,CRCの適用に適した損失関数と予測セットを提案する。 最後に,本手法の再現とさらなる探索を可能にする共形ツールキットを提案する。 このツールキットを用いて広範な実験を行い、調査手法を検証し、トレードオフやその他の実践的な結果を強調するベンチマークを作成した。

関連論文リスト

• WATCH: Adaptive Monitoring for AI Deployments via Weighted-Conformal Martingales [13.807613678989664]
  非パラメトリックな変更点検出の方法は、この監視タスクに対して有望なアプローチを提供する。 共形試験マーチンガレ(WCTM)の重み付き一般化を提案する。
  論文  参考訳（メタデータ） (2025-05-07T17:53:47Z)
• Context-Aware Online Conformal Anomaly Detection with Prediction-Powered Data Acquisition [35.59201763567714]
  文脈認識型共形オンライン異常検出(C-PP-COAD)を導入する。 本フレームワークは,データ不足を軽減するために合成キャリブレーションデータを戦略的に活用し,コンテキストに基づく実データの統合を適応的に行う。 C-PP-COADは、偽発見率(FDR)を保証せずに、実際のキャリブレーションデータへの依存を著しく低減することを示した。
  論文  参考訳（メタデータ） (2025-05-03T10:58:05Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• Fault Detection and Monitoring using a Data-Driven Information-Based Strategy: Method, Theory, and Application [5.056456697289351]
  本稿では,新しいコンセプトドリフト検出器に基づく情報駆動型故障検出手法を提案する。 本手法は,加法雑音モデルの入出力関係におけるドリフトの同定に適している。 提案したMIに基づく故障検出手法の理論的特性を実証する。
  論文  参考訳（メタデータ） (2024-05-06T17:43:39Z)
• Towards a Framework for Deep Learning Certification in Safety-Critical Applications Using Inherently Safe Design and Run-Time Error Detection [0.0]
  航空や他の安全上重要な分野における現実世界の問題について検討し,認定モデルの要件について検討する。 我々は、(i)本質的に安全な設計と(ii)実行時のエラー検出に基づいて、ディープラーニング認定に向けた新しいフレームワークを構築した。
  論文  参考訳（メタデータ） (2024-03-12T11:38:45Z)
• Forking Uncertainties: Reliable Prediction and Model Predictive Control with Sequence Models via Conformal Risk Control [40.918012779935246]
  本稿では,事前設計した確率予測器が生成した予測に基づいて,信頼性の高いエラーバーを生成する,新しいポストホックキャリブレーション手法を提案する。 最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。 PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。
  論文  参考訳（メタデータ） (2023-10-16T11:35:41Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)

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。