論文の概要: Trustworthy Few-Shot Transfer of Medical VLMs through Split Conformal Prediction

• arxiv url: http://arxiv.org/abs/2506.17503v1
• Date: Fri, 20 Jun 2025 22:48:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.44616
• Title: Trustworthy Few-Shot Transfer of Medical VLMs through Split Conformal Prediction
• Title（参考訳）: スプリット・コンフォーマル予測による医療用VLMのFew-Shot転送
• Authors: Julio Silva-Rodríguez, Ismail Ben Ayed, Jose Dolz,
• Abstract要約: 医用視覚言語モデル(VLM)は、前例のない転送機能を示し、データ効率のよい画像分類に採用されている。 この研究は、そのようなモデルを転送する際の信頼性を保証するために、分割共形予測(SCP)フレームワークについて検討する。 そこで我々は,共形シナリオ上でのトランスダクティブ・スプリット・コンフォーマル適応(SCA-T)を提案する。
• 参考スコア（独自算出の注目度）: 20.94974284175104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical vision-language models (VLMs) have demonstrated unprecedented transfer capabilities and are being increasingly adopted for data-efficient image classification. Despite its growing popularity, its reliability aspect remains largely unexplored. This work explores the split conformal prediction (SCP) framework to provide trustworthiness guarantees when transferring such models based on a small labeled calibration set. Despite its potential, the generalist nature of the VLMs' pre-training could negatively affect the properties of the predicted conformal sets for specific tasks. While common practice in transfer learning for discriminative purposes involves an adaptation stage, we observe that deploying such a solution for conformal purposes is suboptimal since adapting the model using the available calibration data breaks the rigid exchangeability assumptions for test data in SCP. To address this issue, we propose transductive split conformal adaptation (SCA-T), a novel pipeline for transfer learning on conformal scenarios, which performs an unsupervised transductive adaptation jointly on calibration and test data. We present comprehensive experiments utilizing medical VLMs across various image modalities, transfer tasks, and non-conformity scores. Our framework offers consistent gains in efficiency and conditional coverage compared to SCP, maintaining the same empirical guarantees.
• Abstract（参考訳）: 医用視覚言語モデル(VLM)は、前例のない転送機能を示し、データ効率のよい画像分類に採用されている。 人気は高まっているが、信頼性の面はほとんど解明されていない。 この研究は、小さなラベル付きキャリブレーションセットに基づいてそのようなモデルを転送する際の信頼性を保証するために、分割共形予測(SCP)フレームワークについて検討する。 その可能性にもかかわらず、VLMの事前学習の一般性は、特定のタスクに対する予測された共形集合の性質に悪影響を及ぼす可能性がある。 識別的目的のための転写学習の一般的な実践は適応段階を伴うが, キャリブレーションデータを用いたモデルの適用は, SCPにおけるテストデータに対する厳密な交換可能性の仮定を破るため, 適合目的のための配置が最適以下であることが観察される。 そこで本研究では,共形シナリオを用いたトランスダクティブ・スプリット・コンフォーマル適応(SCA-T)を提案し,キャリブレーションとテストデータによる非教師なしトランスダクティブ・アフォーメーションを行う。 本稿では,様々な画像モダリティ,転送タスク,非整合スコアにまたがる医療用VLMを用いた総合的な実験について述べる。 我々のフレームワークは、SCPと比較して効率と条件付きカバレッジが一貫した向上をもたらし、同じ経験的保証を維持している。

関連論文リスト

• Full Conformal Adaptation of Medical Vision-Language Models [17.53651859360999]
  大規模に事前訓練された視覚言語モデル(VLM)は、前例のない転送可能性を示している。 この研究は、ますます普及している分割共形予測フレームワークの下で、それらの振る舞いを調査する。 本稿では,事前学習した基礎モデルを協調的に適応・適合するための新しい設定である,完全共形適応を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:32:00Z)
• Conformal Prediction for Zero-Shot Models [20.94974284175104]
  分割共形予測パラダイムに基づくCLIPモデルの能力について検討する。 本稿では、キャリブレーションとクエリセットを併用してトランスダクティブを動作させるトランスダクティブ学習環境であるConf-OTを提案する。
  論文  参考訳（メタデータ） (2025-05-30T15:16:19Z)
• WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts [4.192712667327956]
  本稿では,変分オートエンコーダ(VAE)から得られた復元損失を,スコア関数をスケールする不確実性指標として紹介する。 重み付き交換可能性の概念を取り入れてRL SCPを改良した量子損失スケールコンフォーマル予測(WQLCP)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:00:15Z)
• Conformal Uncertainty Indicator for Continual Test-Time Adaptation [16.248749460383227]
  連続テスト時間適応(CTTA)のための整形不確かさ指標(CUI)を提案する。 我々は、コンフォーマル予測(CP)を利用して、特定のカバレッジ確率を持つ真のラベルを含む予測セットを生成する。 実験により,CUIが不確かさを効果的に推定し,既存のCTTA法にまたがる適応性能を向上させることが確認された。
  論文  参考訳（メタデータ） (2025-02-05T08:47:18Z)
• 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)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。