論文の概要: Structured Matrix Scaling for Multi-Class Calibration

• arxiv url: http://arxiv.org/abs/2511.03685v1
• Date: Wed, 05 Nov 2025 18:09:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.511462
• Title: Structured Matrix Scaling for Multi-Class Calibration
• Title（参考訳）: マルチクラス校正のための構造化マトリックススケーリング
• Authors: Eugène Berta, David Holzmüller, Michael I. Jordan, Francis Bach,
• Abstract要約: ポストホック補正法は、分類器が忠実な確率推定を提供することを保証するために広く用いられている。 我々は、ロジスティック回帰に基づくパラメトリック回帰関数は、二項分類と多項分類の両方の単純な理論的設定から動機付けることができると論じる。
• 参考スコア（独自算出の注目度）: 48.07988618116422
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-hoc recalibration methods are widely used to ensure that classifiers provide faithful probability estimates. We argue that parametric recalibration functions based on logistic regression can be motivated from a simple theoretical setting for both binary and multiclass classification. This insight motivates the use of more expressive calibration methods beyond standard temperature scaling. For multi-class calibration however, a key challenge lies in the increasing number of parameters introduced by more complex models, often coupled with limited calibration data, which can lead to overfitting. Through extensive experiments, we demonstrate that the resulting bias-variance tradeoff can be effectively managed by structured regularization, robust preprocessing and efficient optimization. The resulting methods lead to substantial gains over existing logistic-based calibration techniques. We provide efficient and easy-to-use open-source implementations of our methods, making them an attractive alternative to common temperature, vector, and matrix scaling implementations.
• Abstract（参考訳）: ポストホック補正法は、分類器が忠実な確率推定を提供することを保証するために広く用いられている。 我々は、ロジスティック回帰に基づくパラメトリック回帰関数は、二項分類と多項分類の両方の単純な理論的設定から動機付けることができると論じる。 この知見は、標準的な温度スケーリングを超えて、より表現力のあるキャリブレーション手法の使用を動機付けている。 しかし、マルチクラスのキャリブレーションにとって重要な課題は、より複雑なモデルによって導入されたパラメータの増加であり、しばしば限られたキャリブレーションデータと結合し、オーバーフィッティングにつながる可能性がある。 広範な実験を通して、結果として生じるバイアス分散トレードオフは、構造化された正規化、堅牢な前処理、効率的な最適化によって効果的に管理できることを実証する。 結果として得られた手法は、既存のロジスティックベースのキャリブレーション技術よりも大幅に向上する。 我々は,提案手法の効率的かつ使いやすいオープンソース実装を提供し,一般的な温度,ベクトル,行列スケーリング実装に代わる魅力的な代替手段となる。

関連論文リスト

• Scalable Utility-Aware Multiclass Calibration [53.28176049547449]
  ユーティリティキャリブレーション(英: Utility calibration)は、特定のユーティリティ関数に対するキャリブレーション誤差を測定する一般的なフレームワークである。 我々は、このフレームワークが既存のキャリブレーションメトリクスを統一し、再解釈する方法を実証する。
  論文  参考訳（メタデータ） (2025-10-29T12:32:14Z)
• Enforcing Calibration in Multi-Output Probabilistic Regression with Pre-rank Regularization [4.065502917666599]
  任意のプリランク関数のトレーニング中に多変量キャリブレーションを強制する一般的な正規化フレームワークを提案する。 本手法は,予測精度を犠牲にすることなく,プリランク関数のキャリブレーションを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2025-10-24T09:16:12Z)
• Fast and Accurate Power Load Data Completion via Regularization-optimized Low-Rank Factorization [10.713082490316111]
  低ランク表現学習は、電力負荷データの欠落した値を回復するための強力なツールとして登場した。 正規化時間的低ランク因子化モデルは、その効率性と解釈可能性に好適である。 正規化係数の調整に適応する正規化時間的低ランク因子化制御器を提案する。
  論文  参考訳（メタデータ） (2025-05-25T13:07:55Z)
• PAC-Bayes Analysis for Recalibration in Classification [4.005483185111992]
  ベイズフレームワークを用いてキャリブレーション誤差の一般化解析を行う。 本理論に基づいて,一般化対応再校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-10T12:53:13Z)
• 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)
• 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)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)

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。