論文の概要: Class conditional conformal prediction for multiple inputs by p-value aggregation

• arxiv url: http://arxiv.org/abs/2507.07150v1
• Date: Wed, 09 Jul 2025 09:17:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.149954
• Title: Class conditional conformal prediction for multiple inputs by p-value aggregation
• Title（参考訳）: p値アグリゲーションによる複数入力のクラス条件共形予測
• Authors: Jean-Baptiste Fermanian, Mohamed Hebiri, Joseph Salmon,
• Abstract要約: 分類タスクに対する共形予測手法に革新的改良を導入する。 我々のアプローチは、同じ植物や動物の複数の画像が個人によってキャプチャされる市民科学の応用によって動機付けられています。 本手法をシミュレーションおよび実データで評価し,特に著名な市民科学プラットフォームPl@ntNetに着目した。
• 参考スコア（独自算出の注目度）: 11.198836025239963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction methods are statistical tools designed to quantify uncertainty and generate predictive sets with guaranteed coverage probabilities. This work introduces an innovative refinement to these methods for classification tasks, specifically tailored for scenarios where multiple observations (multi-inputs) of a single instance are available at prediction time. Our approach is particularly motivated by applications in citizen science, where multiple images of the same plant or animal are captured by individuals. Our method integrates the information from each observation into conformal prediction, enabling a reduction in the size of the predicted label set while preserving the required class-conditional coverage guarantee. The approach is based on the aggregation of conformal p-values computed from each observation of a multi-input. By exploiting the exact distribution of these p-values, we propose a general aggregation framework using an abstract scoring function, encompassing many classical statistical tools. Knowledge of this distribution also enables refined versions of standard strategies, such as majority voting. We evaluate our method on simulated and real data, with a particular focus on Pl@ntNet, a prominent citizen science platform that facilitates the collection and identification of plant species through user-submitted images.
• Abstract（参考訳）: コンフォーマル予測法は、不確実性を定量化し、保証されたカバレッジ確率で予測セットを生成するために設計された統計ツールである。 この研究は、分類タスクのためのこれらの手法に革新的な改良を導入し、特に1つのインスタンスの複数の観測(複数インプット)が予測時に利用できるシナリオに適したものにした。 我々のアプローチは特に、同じ植物や動物の複数の画像が個人によってキャプチャされる市民科学の応用によって動機付けられています。 提案手法は,各観測から得られる情報を共形予測に統合し,必要なクラス条件のカバレッジ保証を保ちながら,予測されたラベルセットのサイズを縮小する。 このアプローチは、マルチインプットの各観測から計算された共形p値の集約に基づいている。 これらのp-値の正確な分布を利用して,多くの古典的統計ツールを包含する抽象的なスコアリング関数を用いた一般集約フレームワークを提案する。 この分布の知識は、多数決投票のような標準戦略の洗練されたバージョンを可能にする。 我々は,本手法をシミュレーションおよび実データで評価し,特にユーザ投稿画像による植物種の収集と識別を容易にする,著名な市民科学プラットフォームPl@ntNetに着目した。

関連論文リスト

• Multivariate Conformal Prediction using Optimal Transport [19.644272536912286]
  コンフォーマル予測(CP)は、機械学習モデルの不確実性を定量化する。 多次元設定において共形予測集合を構成するための原理的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:56:41Z)
• Optimal Transport-based Conformal Prediction [8.302146576157497]
  コンフォーマル予測(CP)は、ブラックボックス学習モデルにおける不確実性のための原則化されたフレームワークである。 レンズを通して予測スコア関数を処理する新しいCPプロシージャを提案する。 次に,マルチ出力回帰とマルチクラス分類の定量化に本手法を適用した。
  論文  参考訳（メタデータ） (2025-01-31T09:48:28Z)
• 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)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage [6.010965256037659]
  コンフォーマル予測は、ランダムに描画されたテストポイントの未知の結果をカバーする、わずかに有効な予測間隔を構築する。 実際には、データ駆動手法は興味のある特定のテストユニットを特定するためにしばしば使用される。 本稿では,有限サンプルの正確なカバレッジを持つ予測セットを構築するための一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-06T17:18:24Z)
• 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)
• Selection by Prediction with Conformal p-values [7.917044695538599]
  本研究では,未観測結果がユーザ指定値を超える候補を選択するためのスクリーニング手順について検討する。 本研究では,任意の予測モデルをラップして候補のサブセットを生成する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-04T06:34:49Z)
• 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。