論文の概要: Conformal Correction for Efficiency May be at Odds with Entropy

• arxiv url: http://arxiv.org/abs/2512.02704v1
• Date: Tue, 02 Dec 2025 12:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.86557
• Title: Conformal Correction for Efficiency May be at Odds with Entropy
• Title（参考訳）: エントロピーを伴うオッドにおける効率の等角補正
• Authors: Senrong Xu, Tianyu Wang, Zenan Li, Yuan Yao, Taolue Chen, Feng Xu, Xiaoxing Ma,
• Abstract要約: コンフォーマル予測(CP)は、機械学習モデルのための統計的に厳密な不確実性セットを生成する包括的なフレームワークを提供する。 本研究では,CP効率とモデル予測のエントロピーのトレードオフを実験的に理論的に同定する。 次に,エントロピーに制約のある共形補正法を提案し,効率とエントロピーの最適性について検討する。
• 参考スコア（独自算出の注目度）: 22.945939646280223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) provides a comprehensive framework to produce statistically rigorous uncertainty sets for black-box machine learning models. To further improve the efficiency of CP, conformal correction is proposed to fine-tune or wrap the base model with an extra module using a conformal-aware inefficiency loss. In this work, we empirically and theoretically identify a trade-off between the CP efficiency and the entropy of model prediction. We then propose an entropy-constrained conformal correction method, exploring a better Pareto optimum between efficiency and entropy. Extensive experimental results on both computer vision and graph datasets demonstrate the efficacy of the proposed method. For instance, it can significantly improve the efficiency of state-of-the-art CP methods by up to 34.4%, given an entropy threshold.
• Abstract（参考訳）: コンフォーマル予測(CP)は、ブラックボックス機械学習モデルに対して統計的に厳密な不確実性セットを生成する包括的なフレームワークを提供する。 CPの効率をより高めるため,共形認識不効率損失を用いた余剰モジュールでベースモデルを微調整したり包んだりするために,共形補正を提案する。 本研究では,CP効率とモデル予測のエントロピーのトレードオフを実験的に理論的に同定する。 次に,エントロピーに制約のある共形補正法を提案し,効率とエントロピーの間のパレート最適化について検討する。 コンピュータビジョンとグラフデータセットの双方に対する大規模な実験結果から,提案手法の有効性が示された。 例えば、エントロピー閾値を考慮すれば、最先端CP法の効率を最大34.4%向上させることができる。

関連論文リスト

• TCPO: Thought-Centric Preference Optimization for Effective Embodied Decision-making [75.29820290660065]
  本稿では,効果的な具体的意思決定のための思考中心推論最適化(TCPO)を提案する。 モデルの中間的推論プロセスの整合性を強調し、モデル劣化の問題を緩和する。 ALFWorld環境での実験では、平均成功率は26.67%であり、RL4VLMよりも6%向上している。
  論文  参考訳（メタデータ） (2025-09-10T11:16:21Z)
• A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning [61.403275660120606]
  強化学習(Reinforcement Learning, RL)に基づく微調整は, 拡散モデルとブラックボックスの目的を整合させる強力なアプローチとして登場した。 拡散微調整のための新しいRLであるLOOP(Left-one-out PPO)を提案する。 以上の結果から, LOOPは様々なブラックボックス対象の拡散モデルを効果的に改善し, 計算効率と性能のバランスを良くすることを示す。
  論文  参考訳（メタデータ） (2025-03-02T13:43:53Z)
• Entropy Reweighted Conformal Classification [1.5634429098976406]
  Conformal Prediction (CP) は、保証されたカバレッジで予測セットを構築するための強力なフレームワークである。 近年の研究では、信頼性校正とCPの統合は効率の低下につながることが示されている。 分類器の不確実性を考慮した適応的手法を提案し,予測セットの効率を高めるためにエントロピーに基づく再重み付けを用いる。
  論文  参考訳（メタデータ） (2024-07-24T15:57:55Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• EEE, Remediating the failure of machine learning models via a network-based optimization patch [2.449329947677678]
  ネットワークベースの最適化手法であるEEEは、検証可能な状態推定を提供する目的で提案されている。 EEEは、効率と収束の点で、競争力があるか、一般的な最適化手法よりも優れていることが示されている。
  論文  参考訳（メタデータ） (2023-04-22T05:23:46Z)
• A novel Deep Learning approach for one-step Conformal Prediction approximation [0.7646713951724009]
  Conformal Prediction (CP) は、最小限の制約を与えられた最大エラー率を保証する汎用的なソリューションである。 本稿では,従来の2ステップCPアプローチを1ステップで近似する新しい共形損失関数を提案する。
  論文  参考訳（メタデータ） (2022-07-25T17:46:09Z)
• Dynamic Iterative Refinement for Efficient 3D Hand Pose Estimation [87.54604263202941]
  本稿では,従来の推定値の修正に部分的レイヤを反復的に活用する,小さなディープニューラルネットワークを提案する。 学習したゲーティング基準を用いて、ウェイトシェアリングループから抜け出すかどうかを判断し、モデルにサンプルごとの適応を可能にする。 提案手法は,広く使用されているベンチマークの精度と効率の両面から,最先端の2D/3Dハンドポーズ推定手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-11T23:31:34Z)
• Computing Valid p-value for Optimal Changepoint by Selective Inference using Dynamic Programming [21.361641617994714]
  変化点(CP)の意義を統計的に推測する新しい手法を提案する。 選択的推論(SI)フレームワークに基づき、CPの意義をテストするための有効なp値を計算するための正確な(漸近的でない)アプローチを提案する。 合成と実世界の両方のデータセットで実験を行い、提案手法が既存の手法よりも強力であることを示す。
  論文  参考訳（メタデータ） (2020-02-21T05:07:22Z)

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。