論文の概要: Selective Prior Synchronization via SYNC Loss

• arxiv url: http://arxiv.org/abs/2602.11316v1
• Date: Wed, 11 Feb 2026 19:43:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.50995
• Title: Selective Prior Synchronization via SYNC Loss
• Title（参考訳）: SynC損失による選択的事前同期
• Authors: Ishan Mishra, Jiajie Li, Deepak Mishra, Jinjun Xiong,
• Abstract要約: 本稿では,予測の不確実性レベルに基づいて,DNNがいつ予測を終了するかを判断できる選択予測に焦点を当てた。 提案手法は,従来推論でのみ用いられてきた選択前の不確実性情報を暗黙的に生成する。 具体的には、SelectiveNetのトレーニングプロセスにソフトマックス応答を組み込むことで、選択先行を検証して選択予測能力を向上する。
• 参考スコア（独自算出の注目度）: 16.432394683710434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction under uncertainty is a critical requirement for the deep neural network to succeed responsibly. This paper focuses on selective prediction, which allows DNNs to make informed decisions about when to predict or abstain based on the uncertainty level of their predictions. Current methods are either ad-hoc such as SelectiveNet, focusing on how to modify the network architecture or objective function, or post-hoc such as softmax response, achieving selective prediction through analyzing the model's probabilistic outputs. We observe that post-hoc methods implicitly generate uncertainty information, termed the selective prior, which has traditionally been used only during inference. We argue that the selective prior provided by the selection mechanism is equally vital during the training stage. Therefore, we propose the SYNC loss which introduces a novel integration of ad-hoc and post-hoc method. Specifically, our approach incorporates the softmax response into the training process of SelectiveNet, enhancing its selective prediction capabilities by examining the selective prior. Evaluated across various datasets, including CIFAR-100, ImageNet-100, and Stanford Cars, our method not only enhances the model's generalization capabilities but also surpasses previous works in selective prediction performance, and sets new benchmarks for state-of-the-art performance.
• Abstract（参考訳）: 不確実性の下での予測は、ディープニューラルネットワークが責任を持って成功するための重要な要件である。 本稿では,予測の不確実性レベルに基づいて,DNNがいつ予測を終了するかを判断できる選択予測に焦点を当てた。 現在の手法は、SelectiveNetのようなアドホックで、ネットワークアーキテクチャや客観的関数の修正方法、あるいはソフトマックス応答のようなポストホックで、モデルの確率的出力を分析して選択的な予測を行う。 提案手法は,従来推論でのみ用いられてきた選択前の不確実性情報を暗黙的に生成する。 選択メカニズムによって提供される選択的事前は、トレーニング段階でも同様に重要であると論じる。 そこで本研究では,アドホック法とポストホック法を新たに統合したSynC損失を提案する。 具体的には、SelectiveNetのトレーニングプロセスにソフトマックス応答を組み込むことにより、選択前の予測能力を向上する。 CIFAR-100、ImageNet-100、Stanford Carsなど、さまざまなデータセットで評価され、我々の手法はモデルの一般化能力を向上するだけでなく、選択予測性能における過去の成果を上回り、最先端性能のベンチマークを新たに設定する。

関連論文リスト

• Conformal Information Pursuit for Interactively Guiding Large Language Models [68.16703423481935]
  本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。 そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。 本稿では,コンフォーマル情報探索法(C-IP)を提案する。
  論文  参考訳（メタデータ） (2025-07-04T03:55:39Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• NeuroSep-CP-LCB: A Deep Learning-based Contextual Multi-armed Bandit Algorithm with Uncertainty Quantification for Early Sepsis Prediction [9.292433273395782]
  患者固有の報酬関数をコンテキスト型マルチアームバンディット設定でモデル化することを目的としている。 目標は、患者固有の臨床的特徴を活用して、不確実性のある意思決定を最適化することである。 本稿では,ニューロセプCP-LCBを提案する。ニューロセプCP-LCBは,ニューロセプCP-LCBは,ニューラルネットワークと文脈的包帯との新たな統合であり,早期のセプシス検出に適したコンフォメーション予測である。
  論文  参考訳（メタデータ） (2025-03-20T21:02:49Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Inference-Time Selective Debiasing to Enhance Fairness in Text Classification Models [27.578390085427156]
  モデル全体の品質を高めるために設計された推論時間安全機構である選択的偏り(elective debiasing)を提案する。 潜在的なバイアスのあるモデル予測を特定し、それらを捨てる代わりに、後処理のデバイアス法であるLEACEを使ってこれらの予測からバイアスを取り除く。 エンコーダに基づく分類モデルを用いたテキスト分類データセットの実験では、選択的デバイアスは、後処理手法とデバイアス技術のパフォーマンスギャップを低減するのに役立つことが示されている。
  論文  参考訳（メタデータ） (2024-07-27T21:56:23Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Gumbel-Softmax Selective Networks [10.074545631396385]
  本稿では,エンド・ツー・エンドの差別化可能なトレーニングフレームワークの選択を可能にする,選択的ネットワークの学習方法を提案する。 公開データセットの実験は、選択的回帰と分類のためのガンベル-ソフトマックス選択ネットワークの可能性を示している。
  論文  参考訳（メタデータ） (2022-11-19T02:20:14Z)
• Selective Prediction via Training Dynamics [31.708701583736644]
  本研究では,モデルのトレーニング力学を学習することで,最先端の選択的予測性能が得られることを示す。 特に、トレーニングの後半段階で最終予測と大差ないデータポイントを拒否する。 提案された拒絶機構はドメインに依存しない(すなわち、離散予測と実数値予測の両方に有効)、既存の選択的予測手法と柔軟に組み合わせることができる。
  論文  参考訳（メタデータ） (2022-05-26T17:51:29Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• 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)
• Fast, Optimal, and Targeted Predictions using Parametrized Decision Analysis [0.0]
  我々はベイズ決定解析のためのパラメータ化された行動のクラスを開発し、最適でスケーラブルで単純な目標予測を生成する。 全国健康栄養検査調査の身体活動データに対する予測が作成されている。
  論文  参考訳（メタデータ） (2020-06-23T15:55:47Z)

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。