論文の概要: Conformal Prediction Meets Long-tail Classification

• arxiv url: http://arxiv.org/abs/2508.11345v1
• Date: Fri, 15 Aug 2025 09:14:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.832468
• Title: Conformal Prediction Meets Long-tail Classification
• Title（参考訳）: コンフォーマル予測とロングテール分類
• Authors: Shuqi Liu, Jianguo Huang, Luke Ong,
• Abstract要約: Conformal Prediction (CP) 法は、長い尾のラベルの分布の下でクラス間で不均衡なカバレッジを示すことが多い。 そこで本研究では,タイル・アウェア・コンフォーマル・予測(TACP)手法を提案する。
• 参考スコア（独自算出の注目度）: 5.3663546125491735
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal Prediction (CP) is a popular method for uncertainty quantification that converts a pretrained model's point prediction into a prediction set, with the set size reflecting the model's confidence. Although existing CP methods are guaranteed to achieve marginal coverage, they often exhibit imbalanced coverage across classes under long-tail label distributions, tending to over cover the head classes at the expense of under covering the remaining tail classes. This under coverage is particularly concerning, as it undermines the reliability of the prediction sets for minority classes, even with coverage ensured on average. In this paper, we propose the Tail-Aware Conformal Prediction (TACP) method to mitigate the under coverage of the tail classes by utilizing the long-tail structure and narrowing the head-tail coverage gap. Theoretical analysis shows that it consistently achieves a smaller head-tail coverage gap than standard methods. To further improve coverage balance across all classes, we introduce an extension of TACP: soft TACP (sTACP) via a reweighting mechanism. The proposed framework can be combined with various non-conformity scores, and experiments on multiple long-tail benchmark datasets demonstrate the effectiveness of our methods.
• Abstract（参考訳）: コンフォーマル予測(CP)は、事前訓練されたモデルの点予測を、モデルの信頼性を反映したセットサイズで予測セットに変換する不確実性定量化の一般的な方法である。 既存のCP法は、限界範囲のカバレッジを達成することが保証されているが、長い尾のラベルの分布の下では、残りの尾のクラスをカバーするために、ヘッドクラスをカバーする傾向にある、不均衡なカバレッジを示すことが多い。 これは、平均的なカバレッジが保証されたとしても、マイノリティクラスの予測セットの信頼性を損なうため、特に関係している。 本稿では,長い尾構造を利用して,尾部のカバー範囲を狭めることで,尾部のカバー範囲を緩和するTail-Aware Conformal Prediction (TACP)法を提案する。 理論的解析により、標準的な方法よりも、ヘッドテールのカバレッジギャップが一貫して小さいことが示されている。 さらに,全クラスにわたるカバーバランスを改善するために,再重み付け機構によるTACP(Soft TACP: Soft TACP)の拡張を導入する。 提案手法は,様々な非整合性スコアと組み合わせることが可能である。

関連論文リスト

• 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 Depression Prediction [2.097941594997818]
  コンフォーマルうつ病予測(CDP)は、コンフォーマルうつ病予測(CP)に基づく不確実性定量化を備えたうつ病予測法である CDPはプラグ・アンド・プレイのモジュールで、モデルの再トレーニングも、うつ病データ分布の仮定も必要としない。 近似条件付き共形予測法であるCDP-ACCを提案する。
  論文  参考訳（メタデータ） (2024-05-29T03:08:30Z)
• Conformal Prediction with Learned Features [22.733758606168873]
  本稿では,予測セットの条件付き妥当性を向上させるために,PLCP(Partition Learning Conformal Prediction)を提案する。 我々は,市販の機械学習モデルを用いて,勾配の交互化によるPLCPを効率的に実装する。 4つの実世界および合成データセットに対する実験結果から,PLCPの優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-26T15:43:06Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)
• Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
  学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。 ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。 本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T20:03:58Z)

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。