Fugu-MT 論文翻訳(概要): Fast and Scalable Score-Based Kernel Calibration Tests

論文の概要: Fast and Scalable Score-Based Kernel Calibration Tests

arxiv url: http://arxiv.org/abs/2510.14711v1
Date: Thu, 16 Oct 2025 14:11:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-17 21:15:14.894866
Title: Fast and Scalable Score-Based Kernel Calibration Tests
Title（参考訳）: 高速でスケーラブルなスコアベースカーネル校正試験
Authors: Pierre Glaser, David Widmann, Fredrik Lindsten, Arthur Gretton,
Abstract要約: KCCSDテスト(Kernel Conditional Stein Discrepancy test)は,確率モデルのキャリブレーションを適切に定義したスコアで評価するための,非パラメトリックなカーネルベーステストである。従来の手法とは対照的に,我々のテストでは,型Iエラーを制御しながら,コストのかかる予測近似の必要性を回避している。
参考スコア（独自算出の注目度）: 28.41894759475933
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce the Kernel Calibration Conditional Stein Discrepancy test (KCCSD test), a non-parametric, kernel-based test for assessing the calibration of probabilistic models with well-defined scores. In contrast to previous methods, our test avoids the need for possibly expensive expectation approximations while providing control over its type-I error. We achieve these improvements by using a new family of kernels for score-based probabilities that can be estimated without probability density samples, and by using a conditional goodness-of-fit criterion for the KCCSD test's U-statistic. We demonstrate the properties of our test on various synthetic settings.
Abstract（参考訳）: KCCSDテスト(Kernel Calibration Conditional Stein Discrepancy test)は、確率モデルのキャリブレーションを正確に定義したスコアで評価するための、非パラメトリックなカーネルベースのテストである。従来の手法とは対照的に,我々のテストでは,型Iエラーを制御しながら,コストのかかる予測近似の必要性を回避している。これらの改善は、確率密度サンプルを使わずに推定できるスコアベース確率に対する新しいカーネル群と、KCCSDテストのU-統計量に対する条件的良性基準を用いることによって達成される。各種合成環境におけるテストの特性について検討した。

関連論文リスト

Empirically Calibrated Conditional Independence Tests [2.28126966226433]
条件独立試験(CIT)は因果発見と特徴選択に広く用いられている。本研究では,誤校正のための実証校正条件独立試験(ECCIT)を提案する。
論文参考訳（メタデータ） (2026-02-24T15:56:19Z)
COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文参考訳（メタデータ） (2025-06-25T07:04:49Z)
Kernel conditional tests from learning-theoretic bounds [16.813275168865953]
本研究では,条件付き確率分布の仮説テストのためのフレームワークを提案する。次に、条件分布の関数の統計的テストを構築する。本研究は,機能検査の総合的基盤を構築した。
論文参考訳（メタデータ） (2025-06-04T12:53:13Z)
Robust Kernel Hypothesis Testing under Data Corruption [6.430258446597413]
本稿では,データ破損下でのロバストな置換テストを構築するための一般的な手法を提案する。最小限の条件下での力の一貫性を証明する。これは、潜在的な敵攻撃を伴う現実世界のアプリケーションに対する仮説テストの実践的な展開に寄与する。
論文参考訳（メタデータ） (2024-05-30T10:23:16Z)
Minimax Optimal Goodness-of-Fit Testing with Kernel Stein Discrepancy [13.429541377715298]
我々は、カーネル化されたStein discrepancy (KSD) を用いた一般領域における適合性試験の極小最適性について検討する。 KSDは適合性テストのための強力なフレームワークであるが、その統計的最適性はほとんど探索されていない。未知のパラメータに適応することで、対数係数まで最小限の最適性を達成できる適応テストを導入する。
論文参考訳（メタデータ） (2024-04-12T07:06:12Z)
Practical Kernel Tests of Conditional Independence [33.275712245547815]
SplitKCIは、データ分割に基づくカーネルベースの条件独立テストのためのバイアス制御の自動化方法である。提案手法は,テストパワーを犠牲にすることなく,KCIのテストレベル制御を大幅に改善することを示す。
論文参考訳（メタデータ） (2024-02-20T18:07:59Z)
Precise Error Rates for Computationally Efficient Testing [67.30044609837749]
本稿では,計算複雑性に着目した単純な対数-単純仮説テストの問題を再考する。線形スペクトル統計に基づく既存の試験は、I型とII型の誤差率の間の最良のトレードオフ曲線を達成する。
論文参考訳（メタデータ） (2023-11-01T04:41:16Z)
Sequential Kernelized Independence Testing [77.237958592189]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文参考訳（メタデータ） (2022-12-14T18:08:42Z)
Boost Test-Time Performance with Closed-Loop Inference [85.43516360332646]
そこで本研究では,モデル性能を高めるために,ループ方式でハードクラス化試験サンプルを予測することを提案する。まず、追加の推論ループを必要とするハードクラス化テストサンプルを識別するためにフィルタリング基準を考案する。各ハードサンプルに対して、モデルのキャリブレーションを行うために、元の上位$K$予測に基づいて補助学習タスクを構築する。
論文参考訳（メタデータ） (2022-03-21T10:20:21Z)
T-Cal: An optimal test for the calibration of predictive models [49.11538724574202]
有限検証データセットを用いた予測モデルの誤校正を仮説検証問題として検討する。誤校正の検出は、クラスの条件付き確率が予測の十分滑らかな関数である場合にのみ可能である。我々は、$ell$-Expected Error(ECE)のデバイアスドプラグイン推定器に基づくキャリブレーションのためのミニマックステストであるT-Calを提案する。
論文参考訳（メタデータ） (2022-03-03T16:58:54Z)
Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文参考訳（メタデータ） (2020-06-23T07:18:05Z)
Learning Kernel Tests Without Data Splitting [18.603394415852765]
データ分割なしにハイパーパラメータの学習と全サンプルでのテストを可能にするアプローチを提案する。我々のアプローチの試験能力は、その分割割合に関係なく、データ分割アプローチよりも経験的に大きい。
論文参考訳（メタデータ） (2020-06-03T14:07:39Z)
A Kernel Stein Test for Comparing Latent Variable Models [48.32146056855925]
本稿では、相対的適合性を示すカーネルベースの非パラメトリックテストを提案する。このテストの目的は、2つのモデルを比較することである。本試験は, モデルから得られたサンプルに基づいて, 潜伏構造を利用せず, 相対的な最大平均離散性試験よりも有意に優れていることを示す。
論文参考訳（メタデータ） (2019-07-01T07:46:16Z)

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。