論文の概要: Improving Multi-Class Calibration through Normalization-Aware Isotonic Techniques

• arxiv url: http://arxiv.org/abs/2512.09054v1
• Date: Tue, 09 Dec 2025 19:15:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.290656
• Title: Improving Multi-Class Calibration through Normalization-Aware Isotonic Techniques
• Title（参考訳）: 正規化を考慮した等方的手法によるマルチクラス校正の改善
• Authors: Alon Arad, Saharon Rosset,
• Abstract要約: 多クラスキャリブレーションのための新しいアイソトニック正規化対応手法を提案する。 従来の手法とは異なり、本手法は本質的に確率正規化を考慮に入れている。 提案手法は, 負の対数類似度(NLL)と期待校正誤差(ECE)を常に改善する。
• 参考スコア（独自算出の注目度）: 3.2514496966247535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and reliable probability predictions are essential for multi-class supervised learning tasks, where well-calibrated models enable rational decision-making. While isotonic regression has proven effective for binary calibration, its extension to multi-class problems via one-vs-rest calibration produced suboptimal results when compared to parametric methods, limiting its practical adoption. In this work, we propose novel isotonic normalization-aware techniques for multiclass calibration, grounded in natural and intuitive assumptions expected by practitioners. Unlike prior approaches, our methods inherently account for probability normalization by either incorporating normalization directly into the optimization process (NA-FIR) or modeling the problem as a cumulative bivariate isotonic regression (SCIR). Empirical evaluation on a variety of text and image classification datasets across different model architectures reveals that our approach consistently improves negative log-likelihood (NLL) and expected calibration error (ECE) metrics.
• Abstract（参考訳）: 正確で信頼性の高い確率予測は、十分に校正されたモデルが合理的な意思決定を可能にするマルチクラス教師付き学習タスクに不可欠である。 等方性回帰は二分法校正に有効であることが証明されているが, 1-vs-restキャリブレーションによる多クラス問題への拡張はパラメトリック法と比較して準最適結果となり, 実用化が制限された。 本研究では,実践者が期待する自然的・直感的な仮定に基づいて,多クラス校正のための新しいアイソトニック正規化対応手法を提案する。 従来の手法とは異なり,本手法は正規化を直接最適化プロセス (NA-FIR) に組み込むか,あるいは累積二変量等調回帰 (SCIR) として問題をモデル化することによって,確率正規化を本質的に考慮する。 様々なモデルアーキテクチャにおけるテキストおよび画像分類データセットの実験的評価により、我々のアプローチは、負の対数類似度(NLL)と期待校正誤差(ECE)メトリクスを一貫して改善することが明らかとなった。

関連論文リスト

• Structured Matrix Scaling for Multi-Class Calibration [48.07988618116422]
  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。
  論文  参考訳（メタデータ） (2025-11-05T18:09:14Z)
• 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)
• Probabilistic Calibration by Design for Neural Network Regression [2.3020018305241337]
  本稿では,量子校正トレーニングと呼ばれる新しいエンドツーエンドモデルトレーニング手法を提案する。 57の回帰データセットを含む大規模実験において,本手法の性能を実証した。
  論文  参考訳（メタデータ） (2024-03-18T17:04:33Z)
• 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)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)

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。