論文の概要: Efficient Conformal Prediction for Regression Models under Label Noise
- arxiv url: http://arxiv.org/abs/2509.15120v1
- Date: Thu, 18 Sep 2025 16:27:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.328087
- Title: Efficient Conformal Prediction for Regression Models under Label Noise
- Title（参考訳）: ラベル雑音下での回帰モデルの効率的な等角予測
- Authors: Yahav Cohen, Jacob Goldberger, Tom Tirer,
- Abstract要約: 医用画像などの高精細なシナリオでは、信頼性のある信頼区間を持つ回帰モデルの予測を行うことが重要である。
近年、コンフォーマル予測は、予め特定された確率を持つ真のラベルを含む間隔を生成する強力な統計フレームワークとして出現している。
本稿では,キャリブレーションセットがノイズラベルを含む場合,回帰モデルにCPを適用するという問題に対処する。
回帰問題の連続的な性質から生じる課題を克服する実践的なアルゴリズムに転換する。
- 参考スコア（独自算出の注目度）: 23.243279443972522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In high-stakes scenarios, such as medical imaging applications, it is critical to equip the predictions of a regression model with reliable confidence intervals. Recently, Conformal Prediction (CP) has emerged as a powerful statistical framework that, based on a labeled calibration set, generates intervals that include the true labels with a pre-specified probability. In this paper, we address the problem of applying CP for regression models when the calibration set contains noisy labels. We begin by establishing a mathematically grounded procedure for estimating the noise-free CP threshold. Then, we turn it into a practical algorithm that overcomes the challenges arising from the continuous nature of the regression problem. We evaluate the proposed method on two medical imaging regression datasets with Gaussian label noise. Our method significantly outperforms the existing alternative, achieving performance close to the clean-label setting.
- Abstract（参考訳）: 医用画像などの高精細なシナリオでは、信頼性のある信頼区間を持つ回帰モデルの予測を行うことが重要である。
近年、CP(Conformal Prediction)は、ラベル付きキャリブレーションセットに基づいて、予め特定された確率を持つ真のラベルを含む間隔を生成する強力な統計フレームワークとして出現している。
本稿では,キャリブレーションセットがノイズラベルを含む場合,回帰モデルにCPを適用するという問題に対処する。
我々はまず,雑音のないCP閾値を推定するための数学的根拠の確立から始める。
そして、回帰問題の連続的な性質から生じる課題を克服する実践的なアルゴリズムに変換する。
ガウスラベルノイズを用いた2つの医用画像回帰データセットについて,提案手法の評価を行った。
提案手法は既存の方法よりも優れ,クリーンラベル設定に近い性能を実現している。
関連論文リスト
- Combating Noisy Labels through Fostering Self- and Neighbor-Consistency [120.4394402099635]
ラベルノイズは様々な現実世界のシナリオで広まり、教師付きディープラーニングの課題を提起する。
我々は、Jo-SNC(textbfSelf- と textbfNeighbor-textbfConsistency に基づくサンプル選択とモデル正規化)というノイズロバスト手法を提案する。
我々は、クラスごとの選択閾値を調整するための自己適応型データ駆動しきい値設定方式を設計する。
論文 参考訳（メタデータ） (2026-01-19T07:55:29Z) - Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。
実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。
合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-30T17:52:12Z) - Exploring the Noise Robustness of Online Conformal Prediction [16.623599788608185]
本研究では,一様ラベル雑音下でのオンラインコンフォメーション予測のロバスト性について検討する。
本稿では,新しいロバストなピンボール損失で閾値を更新することで,ノイズロバストオンラインコンフォーマル予測(NR-OCP)を提案する。
理論解析により,NR-OCPは一定の学習率と動的学習率の両方のスケジュールのカバレッジギャップをなくすことが示されている。
論文 参考訳（メタデータ） (2025-01-30T14:08:26Z) - Conformal Prediction of Classifiers with Many Classes based on Noisy Labels [22.841631892273547]
Conformal Prediction (CP) は、分類システムの予測不確実性を制御する。
雑音ラベル付きデータに基づいて、ノイズのない共形閾値を推定する方法を示す。
ノイズ対応コンフォーマル予測 (NACP) のアプローチについて検討する。
論文 参考訳（メタデータ） (2025-01-22T09:35:58Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - A Conformal Prediction Score that is Robust to Label Noise [13.22445242068721]
ラベルノイズに頑健なコンフォメーションスコアを導入する。
ノイズラベル付きデータとノイズレベルを用いて、ノイズフリーコンフォメーションスコアを推定する。
提案手法は,予測セットの平均サイズにおいて,現在の手法よりも大きなマージンで優れていることを示す。
論文 参考訳（メタデータ） (2024-05-04T12:22:02Z) - Label Noise: Correcting the Forward-Correction [0.0]
ラベルノイズのあるデータセット上でニューラルネットワーク分類器を訓練することは、ノイズのあるラベルに過度に適合するリスクをもたらす。
ラベルノイズによる過度適合に対処する手法を提案する。
本研究は, オーバーフィッティングを緩和するために, トレーニング損失に低い限界を課すことを提案する。
論文 参考訳（メタデータ） (2023-07-24T19:41:19Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:17:36Z) - Semi-Supervised Deep Regression with Uncertainty Consistency and
Variational Model Ensembling via Bayesian Neural Networks [31.67508478764597]
我々は,半教師付き回帰,すなわち不確実連続変分モデル組立(UCVME)に対する新しいアプローチを提案する。
整合性損失は不確実性評価を著しく改善し,不整合回帰の下では,高品質な擬似ラベルをより重要視することができる。
実験の結果,本手法は様々なタスクにおける最先端の代替手段よりも優れており,フルラベルを用いた教師付き手法と競合する可能性が示唆された。
論文 参考訳（メタデータ） (2023-02-15T10:40:51Z) - Neighborhood Collective Estimation for Noisy Label Identification and
Correction [92.20697827784426]
ノイズラベルを用いた学習(LNL)は,ノイズラベルに対するモデルオーバーフィットの効果を軽減し,モデル性能と一般化を改善するための戦略を設計することを目的としている。
近年の進歩は、個々のサンプルのラベル分布を予測し、ノイズ検証とノイズラベル補正を行い、容易に確認バイアスを生じさせる。
提案手法では, 候補サンプルの予測信頼性を, 特徴空間近傍と対比することにより再推定する。
論文 参考訳（メタデータ） (2022-08-05T14:47:22Z) - ReLU Regression with Massart Noise [52.10842036932169]
本稿では、ReLU回帰の基本的問題として、Rectified Linear Units(ReLU)をデータに適合させることを目標としている。
我々は自然およびよく研究された半ランダムノイズモデルであるMassartノイズモデルにおけるReLU回帰に着目した。
このモデルにおいて,パラメータの正確な回復を実現する効率的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-10T02:13:22Z) - Detecting Label Noise via Leave-One-Out Cross Validation [0.0]
クリーンなサンプルと破損したサンプルの混合から実値のノイズラベルを同定し,修正するための簡単なアルゴリズムを提案する。
独立分散を伴う付加的なガウス雑音項をそれぞれと観測されたラベルに関連付けるヘテロ代用ノイズモデルを用いる。
提案手法は, 合成および実世界の科学データを用いた学習において, 劣化したサンプルを特定でき, より良い回帰モデルが得られることを示す。
論文 参考訳（メタデータ） (2021-03-21T10:02:50Z) - Evaluating probabilistic classifiers: Reliability diagrams and score
decompositions revisited [68.8204255655161]
確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。
コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
論文 参考訳（メタデータ） (2020-08-07T08:22:26Z)
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。