論文の概要: Hierarchical Conformal Classification

• arxiv url: http://arxiv.org/abs/2508.13288v1
• Date: Mon, 18 Aug 2025 18:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.700157
• Title: Hierarchical Conformal Classification
• Title（参考訳）: 階層型コンフォーマル分類
• Authors: Floris den Hengst, Inès Blin, Majid Mohammadi, Syed Ihtesham Hussain Shah, Taraneh Younesian,
• Abstract要約: コンフォーマル予測(CP)は、機械学習モデルにおける不確実性を定量化する強力なフレームワークである。 標準CPは、クラスをフラットで非構造化として扱い、クラスラベル間の意味や階層構造のような関係を無視している。 本稿では,クラス階層を予測集合の構造と意味論の両方に組み込んだCPの拡張である階層型HCCal Classification (HCC)を提案する。
• 参考スコア（独自算出の注目度）: 5.964388602612373
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Conformal prediction (CP) is a powerful framework for quantifying uncertainty in machine learning models, offering reliable predictions with finite-sample coverage guarantees. When applied to classification, CP produces a prediction set of possible labels that is guaranteed to contain the true label with high probability, regardless of the underlying classifier. However, standard CP treats classes as flat and unstructured, ignoring domain knowledge such as semantic relationships or hierarchical structure among class labels. This paper presents hierarchical conformal classification (HCC), an extension of CP that incorporates class hierarchies into both the structure and semantics of prediction sets. We formulate HCC as a constrained optimization problem whose solutions yield prediction sets composed of nodes at different levels of the hierarchy, while maintaining coverage guarantees. To address the combinatorial nature of the problem, we formally show that a much smaller, well-structured subset of candidate solutions suffices to ensure coverage while upholding optimality. An empirical evaluation on three new benchmarks consisting of audio, image, and text data highlights the advantages of our approach, and a user study shows that annotators significantly prefer hierarchical over flat prediction sets.
• Abstract（参考訳）: コンフォーマル予測(CP)は、機械学習モデルにおける不確実性を定量化するための強力なフレームワークであり、有限サンプルカバレッジ保証を備えた信頼性のある予測を提供する。 分類に適用した場合、CPは、下位の分類器に関係なく、真のラベルを高い確率で含むことが保証される可能性のあるラベルの予測セットを生成する。 しかし、標準CPはクラスをフラットかつ非構造化として扱い、クラスラベル間の意味的関係や階層構造のようなドメイン知識を無視している。 本稿では、クラス階層を予測集合の構造と意味論の両方に組み込んだCPの拡張である階層的共形分類(HCC)を提案する。 我々はHCCを制約付き最適化問題として定式化し、その解は階層の異なるノードからなる予測セットを出力し、カバレッジ保証は維持する。 この問題の組合せの性質に対処するために、候補解のより小さくよく構造化された部分集合が、最適性を保ちながらカバレッジを確保するのに十分であることを示す。 音声,画像,テキストデータからなる3つの新しいベンチマークに対する実証的な評価は,我々のアプローチの利点を浮き彫りにしている。

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 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)
• 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)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• 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)

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。