論文の概要: A Critical Perspective on Finite Sample Conformal Prediction Theory in Medical Applications

• arxiv url: http://arxiv.org/abs/2512.14727v1
• Date: Tue, 09 Dec 2025 16:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.693567
• Title: A Critical Perspective on Finite Sample Conformal Prediction Theory in Medical Applications
• Title（参考訳）: 医療応用における有限サンプル等角予測理論の批判的展望
• Authors: Klaus-Rudolf Kladny, Bernhard Schölkopf, Lisa Koch, Christian F. Baumgartner, Michael Muehlebach,
• Abstract要約: コンフォーマル予測(CP)は、不確実性推定を統計的保証付き不確実性推定に変換する一般的なツールである。 統計的保証は任意の大きさのキャリブレーション集合に対して成り立つが、これらの保証の実用性はキャリブレーション集合のサイズに大きく依存する。 この観察は、データが乏しく、大きな校正セットを得ることが不可能なため、医学領域に関係している。
• 参考スコア（独自算出の注目度）: 46.14968220063657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) is transforming healthcare, but safe clinical decisions demand reliable uncertainty estimates that standard ML models fail to provide. Conformal prediction (CP) is a popular tool that allows users to turn heuristic uncertainty estimates into uncertainty estimates with statistical guarantees. CP works by converting predictions of a ML model, together with a calibration sample, into prediction sets that are guaranteed to contain the true label with any desired probability. An often cited advantage is that CP theory holds for calibration samples of arbitrary size, suggesting that uncertainty estimates with practically meaningful statistical guarantees can be achieved even if only small calibration sets are available. We question this promise by showing that, although the statistical guarantees hold for calibration sets of arbitrary size, the practical utility of these guarantees does highly depend on the size of the calibration set. This observation is relevant in medical domains because data is often scarce and obtaining large calibration sets is therefore infeasible. We corroborate our critique in an empirical demonstration on a medical image classification task.
• Abstract（参考訳）: 機械学習(ML)は医療を変革させているが、安全な臨床判断は、標準のMLモデルでは提供できない確実な見積もりを要求する。 コンフォーマル予測(CP)は、ヒューリスティックな不確実性推定を統計的保証付き不確実性推定に変換するための一般的なツールである。 CPは、MLモデルの予測をキャリブレーションサンプルとともに、任意の確率で真のラベルを含むことが保証される予測セットに変換することで機能する。 しばしば引用される利点は、CP理論が任意の大きさのキャリブレーションサンプルに対して成り立つことであり、小さなキャリブレーションセットのみが利用可能であっても、事実上有意な統計的保証を持つ不確実性推定が達成可能であることを示唆している。 統計的保証は任意の大きさの校正集合を保留するが、これらの保証の実用性は校正集合のサイズに大きく依存していることを示して、この約束に疑問を呈する。 この観察は、データが乏しく、大きな校正セットを得ることが不可能なため、医学領域に関係している。 医用画像分類タスクの実証実験において,批判を裏付ける。

関連論文リスト

• Reliable Statistical Guarantees for Conformal Predictors with Small Datasets [3.062618143970653]
  サーロゲートモデルは、科学と工学において、任意の複雑な入出力問題を近似することができる。 データに依存しない不確実性定量化のための標準的なアプローチは、共形予測(CP)を用いることである。 本稿では,1つの共形予測器のカバレッジに対して確率的情報を提供する新しい統計保証を提案する。
  論文  参考訳（メタデータ） (2025-12-04T08:29:17Z)
• Pitfalls of Conformal Predictions for Medical Image Classification [1.2289361708127877]
  整合予測は、証明可能な校正保証を提供することができる。 共形予測は、入力変数とラベル変数の分布シフトの下では信頼性が低い。 クラス数が少ない分類設定では、共形予測は実用的価値に制限がある。
  論文  参考訳（メタデータ） (2025-06-22T20:33:38Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• 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)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• On the relationship between calibrated predictors and unbiased volume estimation [18.96093589337619]
  機械学習による医用画像のセグメンテーションは、医用画像解析において標準となっている。 しかし、ディープラーニングモデルは、過度に自信過剰な予測をしがちである。 これにより、医療画像とより広い機械学習コミュニティの調整された予測に、新たな焦点が当てられた。
  論文  参考訳（メタデータ） (2021-12-23T14:22:19Z)
• 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。