論文の概要: Measuring Uncertainty Calibration

• arxiv url: http://arxiv.org/abs/2512.13872v1
• Date: Mon, 15 Dec 2025 20:03:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.47936
• Title: Measuring Uncertainty Calibration
• Title（参考訳）: 不確実性校正の測定
• Authors: Kamil Ciosek, Nicolò Felicioni, Sina Ghiassian, Juan Elenter Litwin, Francesco Tonolini, David Gustaffson, Eva Garcia Martin, Carmen Barcena Gonzales, Raphaëlle Bertrand-Lalo,
• Abstract要約: キャリブレーション関数が有界な変動を持つ任意の分類器に対して上限を与える。 第2に、校正誤差を効率的に上界化できるように、任意の分類器を変更する方法を提案する。 結果は非漸近的で分布なしである。
• 参考スコア（独自算出の注目度）: 7.934259433168428
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We make two contributions to the problem of estimating the $L_1$ calibration error of a binary classifier from a finite dataset. First, we provide an upper bound for any classifier where the calibration function has bounded variation. Second, we provide a method of modifying any classifier so that its calibration error can be upper bounded efficiently without significantly impacting classifier performance and without any restrictive assumptions. All our results are non-asymptotic and distribution-free. We conclude by providing advice on how to measure calibration error in practice. Our methods yield practical procedures that can be run on real-world datasets with modest overhead.
• Abstract（参考訳）: 我々は、有限データセットからバイナリ分類器の$L_1$キャリブレーション誤差を推定する問題に2つの貢献をする。 まず、キャリブレーション関数が有界な変動を持つ任意の分類器に対して上限を与える。 第二に、分類器の性能に大きな影響を与えず、制約的な仮定を伴わずに、校正誤差を効率的に上界境界にすることができるように、分類器を変更する方法を提案する。 結果は非漸近的で分布なしである。 我々は、キャリブレーション誤差を実際に測定する方法をアドバイスすることで結論付ける。 提案手法は, オーバーヘッドの少ない実世界のデータセット上で実行可能な実用的な手順を導出する。

関連論文リスト

• 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)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Classifier Calibration with ROC-Regularized Isotonic Regression [0.0]
  等方性回帰を用いてモノトン変換による校正集合上のクロスエントロピーを最小化する。 IRは適応的なバイナリ処理として機能し、キャリブレーション誤差をゼロにすることができるが、性能への影響は未解決である。 この一般単調な基準は、クロスエントロピー損失の低減と校正セットの過度な適合の回避のバランスを打つのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-21T08:45:09Z)
• 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)
• Class-wise and reduced calibration methods [0.0]
  キャリブレーションの削減により、元の問題をより単純なものに変換する方法を示す。 第2に,ニューラル崩壊という現象に基づいて,クラスワイドキャリブレーション手法を提案する。 この2つの手法を併用すると、予測とクラスごとの校正誤差を低減する強力なツールであるクラス単位での校正アルゴリズムが実現される。
  論文  参考訳（メタデータ） (2022-10-07T17:13:17Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Calibrated Adaptive Probabilistic ODE Solvers [31.442275669185626]
  不確実性の推定を校正するいくつかの確率的動機づけのある方法を紹介し,議論し,評価する。 本手法は,従来の4/5 runge-kutta法に対してベンチマークを行い,その効率性を示す。
  論文  参考訳（メタデータ） (2020-12-15T10:48:55Z)
• 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。