論文の概要: Calibration and Discrimination Optimization Using Clusters of Learned Representation
- arxiv url: http://arxiv.org/abs/2510.19328v1
- Date: Wed, 22 Oct 2025 07:41:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:15.323444
- Title: Calibration and Discrimination Optimization Using Clusters of Learned Representation
- Title（参考訳）: 学習表現のクラスタを用いた校正と識別の最適化
- Authors: Tomer Lavi, Bracha Shapira, Nadav Rappoport,
- Abstract要約: 入力サンプルの学習表現のクラスタ上で訓練された校正関数のアンサンブルを利用して、全体的な校正を向上する新しい校正パイプラインを提案する。
このアプローチは、様々なメソッドの校正スコアを82.28%から100%に改善するだけでなく、ユニークなマッチングメトリックも導入する。
我々のジェネリック・スキームは、基本的な表現、クラスタリング、キャリブレーション法およびメートル法に適応し、一般的に使用されるキャリブレーション法にまたがる柔軟性と優れた性能を提供する。
- 参考スコア（独自算出の注目度）: 7.5841677529906795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning models are essential for decision-making and risk assessment, requiring highly reliable predictions in terms of both discrimination and calibration. While calibration often receives less attention, it is crucial for critical decisions, such as those in clinical predictions. We introduce a novel calibration pipeline that leverages an ensemble of calibration functions trained on clusters of learned representations of the input samples to enhance overall calibration. This approach not only improves the calibration score of various methods from 82.28% up to 100% but also introduces a unique matching metric that ensures model selection optimizes both discrimination and calibration. Our generic scheme adapts to any underlying representation, clustering, calibration methods and metric, offering flexibility and superior performance across commonly used calibration methods.
- Abstract（参考訳）: 機械学習モデルは意思決定とリスク評価に不可欠であり、識別と校正の両方の観点から高い信頼性の予測を必要とする。
校正は注意を引くことが多いが、臨床予測のような重要な判断には重要である。
入力サンプルの学習表現のクラスタ上で訓練された校正関数のアンサンブルを利用して、全体的な校正を向上する新しい校正パイプラインを提案する。
このアプローチは、様々なメソッドのキャリブレーションスコアを82.28%から100%に改善するだけでなく、モデル選択が判別とキャリブレーションの両方を最適化するユニークなマッチング指標も導入している。
我々のジェネリック・スキームは、基本的な表現、クラスタリング、キャリブレーション法およびメートル法に適応し、一般的に使用されるキャリブレーション法にまたがる柔軟性と優れた性能を提供する。
関連論文リスト
- Where are we with calibration under dataset shift in image classification? [13.432791129536255]
画像分類のための実世界のデータセットシフトの下でキャリブレーションの状況について検討する。
様々なポストホックキャリブレーション手法と、一般的なトレーニング中のキャリブレーション戦略との相互作用を比較した。
i) アンサンブル前に校正を適用することは、シフトの下で校正するのにより効果的である。
論文 参考訳（メタデータ） (2025-07-10T13:59:53Z) - Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
キャリブレーション・リファインメント分解の新規な変分定式化について述べる。
我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
論文 参考訳（メタデータ） (2025-01-31T15:03:54Z) - Optimizing Estimators of Squared Calibration Errors in Classification [2.3020018305241337]
本稿では,2乗キャリブレーション誤差の推定器の比較と最適化を可能にする平均二乗誤差に基づくリスクを提案する。
キャリブレーション誤差を推定する際のトレーニングバリデーションテストパイプラインを提案する。
論文 参考訳（メタデータ） (2024-10-09T15:58:06Z) - Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳（メタデータ） (2023-10-31T06:19:40Z) - On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
セマンティックセグメンテーションキャリブレーションの問題について検討する。
モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。
我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
論文 参考訳（メタデータ） (2022-12-22T22:05:16Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z)
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。