論文の概要: Enhancing Conformal Prediction via Class Similarity

• arxiv url: http://arxiv.org/abs/2511.19359v1
• Date: Mon, 24 Nov 2025 17:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.356141
• Title: Enhancing Conformal Prediction via Class Similarity
• Title（参考訳）: クラス類似性によるコンフォーマル予測の強化
• Authors: Ariel Fargion, Lahav Dabah, Tom Tirer,
• Abstract要約: コンフォーマル予測(CP)は,高度な分類応用のための強力な統計フレームワークとして登場した。 グループ外エラーによる予測をペナルティ化する用語を用いて,CPスコア関数の強化を提案する。 数学的には、共通クラス分割に対して、任意のCPスコア関数の平均セットサイズを削減できることを示す。
• 参考スコア（独自算出の注目度）: 13.38174941551702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal Prediction (CP) has emerged as a powerful statistical framework for high-stakes classification applications. Instead of predicting a single class, CP generates a prediction set, guaranteed to include the true label with a pre-specified probability. The performance of different CP methods is typically assessed by their average prediction set size. In setups where the classes can be partitioned into semantic groups, e.g., diseases that require similar treatment, users can benefit from prediction sets that are not only small on average, but also contain a small number of semantically different groups. This paper begins by addressing this problem and ultimately offers a widely applicable tool for boosting any CP method on any dataset. First, given a class partition, we propose augmenting the CP score function with a term that penalizes predictions with out-of-group errors. We theoretically analyze this strategy and prove its advantages for group-related metrics. Surprisingly, we show mathematically that, for common class partitions, it can also reduce the average set size of any CP score function. Our analysis reveals the class similarity factors behind this improvement and motivates us to propose a model-specific variant, which does not require any human semantic partition and can further reduce the prediction set size. Finally, we present an extensive empirical study, encompassing prominent CP methods, multiple models, and several datasets, which demonstrates that our class-similarity-based approach consistently enhances CP methods.
• Abstract（参考訳）: コンフォーマル予測(CP)は,高度な分類応用のための強力な統計フレームワークとして登場した。 CPは単一のクラスを予測する代わりに、事前に特定された確率を持つ真のラベルを含むことを保証された予測セットを生成する。 異なるCP法の性能は、通常、平均予測セットサイズによって評価される。 クラスをセマンティックグループ(例えば、同様の治療を必要とする病気)に分割できるセットアップでは、ユーザーは平均で小さなだけでなく、少数のセマンティックな異なるグループを含む予測セットの恩恵を受けることができる。 本稿は、この問題に対処することから始まり、最終的には、任意のデータセット上のCPメソッドを増強するための、広く適用可能なツールを提供する。 まず、クラス分割を前提として、グループ外エラーによる予測をペナライズする用語を用いて、CPスコア関数の拡張を提案する。 我々は、この戦略を理論的に分析し、グループ関連メトリクスの利点を証明した。 驚くべきことに、数学的には、一般的なクラス分割の場合、任意のCPスコア関数の平均セットサイズを減少させることができる。 この改善の背景にあるクラス類似性要因を明らかにし、人間の意味的分割を必要としないモデル固有の変種を提案する動機となり、予測セットのサイズをさらに小さくすることができる。 最後に,有意なCP手法,複数のモデル,および複数のデータセットを包含する広範な実証的研究を行い,類類似性に基づくアプローチがCP手法を一貫して強化することを示す。

関連論文リスト

• Hierarchical Conformal Classification [5.964388602612373]
  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。
  論文  参考訳（メタデータ） (2025-08-18T18:05:55Z)
• One Sample is Enough to Make Conformal Prediction Robust [53.78604391939934]
  共形予測は, 1つのランダムな摂動入力に対して前方通過しても, ある程度の堅牢性が得られることを示す。 提案手法は,入力毎に多数のパス(例えば100回程度)を使用するSOTA法と比較して,平均セットサイズが小さいロバストな集合を返す。
  論文  参考訳（メタデータ） (2025-06-19T19:14:25Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• On Temperature Scaling and Conformal Prediction of Deep Classifiers [9.975341265604577]
  コンフォーマル予測(CP)は、ユーザが特定した確率で真のラベルを含む候補ラベルの予測セットを生成する。 温度スケーリング(TS)キャリブレーションは適応CP法のクラス条件カバレッジを改善するが、驚くべきことに予測セットサイズに悪影響を及ぼす。 本稿では,適応型CPとキャリブレーションを効果的に組み合わせ,ユーザ定義の目標に合わせるためのガイドラインを提案する。
  論文  参考訳（メタデータ） (2024-02-08T16:45:12Z)
• RR-CP: Reliable-Region-Based Conformal Prediction for Trustworthy Medical Image Classification [24.52922162675259]
  コンフォーマル予測(CP)は、与えられたテストサンプルに対して一連の予測を生成する。 集合のサイズは、予測がどの程度あるかを示す。 信頼度に基づくコンフォーマル予測(RR-CP)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-09T11:14:04Z)
• 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)
• A Cross-Conformal Predictor for Multi-label Classification [0.0]
  マルチラベル学習では、各インスタンスは同時に複数のクラスに関連付けられている。 本研究は,マルチラベル学習環境におけるコンフォーマル予測(Conformal Prediction)というフレームワークの適用について検討する。
  論文  参考訳（メタデータ） (2022-11-29T14:21:49Z)
• 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。