論文の概要: Conformal Prediction for Long-Tailed Classification
- arxiv url: http://arxiv.org/abs/2507.06867v1
- Date: Wed, 09 Jul 2025 14:08:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-10 17:37:43.613274
- Title: Conformal Prediction for Long-Tailed Classification
- Title（参考訳）: 長大な分類のコンフォーマル予測
- Authors: Tiffany Ding, Jean-Baptiste Fermanian, Joseph Salmon,
- Abstract要約: 植物同定のような現実世界の分類問題の多くは、非常に長い尾のクラス分布を持つ。
従来のコンフォメーション予測手法では、長い尾の設定に適用すると、実践者はクラス条件のカバレッジが劣る小さなセットと、非常に良いクラス条件のカバレッジを持つセットのバイナリ選択を強制するが、それは非常に大きい。
そこで本稿では,設定サイズとクラス条件間をスムーズにトレードオフする限界範囲範囲を保証した手法を提案する。
- 参考スコア（独自算出の注目度）: 9.47832538610206
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many real-world classification problems, such as plant identification, have extremely long-tailed class distributions. In order for prediction sets to be useful in such settings, they should (i) provide good class-conditional coverage, ensuring that rare classes are not systematically omitted from the prediction sets, and (ii) be a reasonable size, allowing users to easily verify candidate labels. Unfortunately, existing conformal prediction methods, when applied to the long-tailed setting, force practitioners to make a binary choice between small sets with poor class-conditional coverage or sets with very good class-conditional coverage but that are extremely large. We propose methods with guaranteed marginal coverage that smoothly trade off between set size and class-conditional coverage. First, we propose a conformal score function, prevalence-adjusted softmax, that targets a relaxed notion of class-conditional coverage called macro-coverage. Second, we propose a label-weighted conformal prediction method that allows us to interpolate between marginal and class-conditional conformal prediction. We demonstrate our methods on Pl@ntNet and iNaturalist, two long-tailed image datasets with 1,081 and 8,142 classes, respectively.
- Abstract（参考訳）: 植物同定のような現実世界の分類問題の多くは、非常に長い尾のクラス分布を持つ。
このような設定で予測セットが有用になるためには
二 良質なクラス条件のカバレッジを提供し、希少なクラスが予測セットから体系的に省略されないことを保証し、
(ii)適度なサイズで、ユーザは容易に候補ラベルを検証できる。
残念ながら、従来のコンフォメーション予測手法は、長い尾のセッティングに適用すると、実践者はクラス条件のカバレッジが劣る小さなセットと、非常に良いクラス条件のカバレッジを持つセットのバイナリ選択を強制するが、それは非常に大きい。
そこで本稿では,設定サイズとクラス条件間をスムーズにトレードオフする限界範囲範囲を保証した手法を提案する。
まず、マクロ被覆と呼ばれるクラス条件付きカバレッジを緩和した概念をターゲットとした、共形スコア関数、prevalence-adjusted softmaxを提案する。
次に,ラベル重み付き共形予測手法を提案する。
Pl@ntNet と iNaturalist では,1,081 クラスと8,142 クラスの2つの長尾画像データセットをそれぞれ示す。
関連論文リスト
- Backward Conformal Prediction [49.1574468325115]
我々は、予測セットのサイズを柔軟に制御しながら、コンフォーマルカバレッジを保証するメソッドである$textitBackward Conformal Prediction$を紹介した。
提案手法は,観測データに基づいて,予測セットサイズがどう振る舞うかを制約するルールを定義し,それに応じてカバレッジレベルを適応させる。
このアプローチは、医療診断のような大きな予測セットが実用的でないアプリケーションで特に有用である。
論文 参考訳（メタデータ） (2025-05-19T21:08:14Z) - 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) - Conformal Prediction for Class-wise Coverage via Augmented Label Rank Calibration [30.039997048267]
本稿では,クラス条件カバレッジを実現するための予測セットサイズを削減するために,ランク校正型クラス条件CP(RC3P)アルゴリズムを提案する。
複数の実世界のデータセットの実験により、RC3Pは平均的な予測セットサイズを26.25%削減した。
論文 参考訳（メタデータ） (2024-06-10T22:01:34Z) - Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳（メタデータ） (2023-11-03T21:19:59Z) - 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)
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。