論文の概要: Mitigating the Multiplicity Burden: The Role of Calibration in Reducing Predictive Multiplicity of Classifiers

• arxiv url: http://arxiv.org/abs/2603.11750v1
• Date: Thu, 12 Mar 2026 09:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:26.006979
• Title: Mitigating the Multiplicity Burden: The Role of Calibration in Reducing Predictive Multiplicity of Classifiers
• Title（参考訳）: 多重度バーデンの修正:分類器の予測多重度低減における校正の役割
• Authors: Mustafa Cavus,
• Abstract要約: 本稿では,分類校正と予測乗算の相互作用について検討する。 マイノリティクラスの観察は、不均等な多種多様性の重荷を負う。 ポストホックキャリブレーション法の適用は、ラショモン集合全体の低視認性と関連している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As machine learning models are increasingly deployed in high-stakes environments, ensuring both probabilistic reliability and prediction stability has become critical. This paper examines the interplay between classification calibration and predictive multiplicity - the phenomenon in which multiple near-optimal models within the Rashomon set yield conflicting credit outcomes for the same applicant. Using nine diverse credit risk benchmark datasets, we investigate whether predictive multiplicity concentrates in regions of low predictive confidence and how post-hoc calibration can mitigate algorithmic arbitrariness. Our empirical analysis reveals that minority class observations bear a disproportionate multiplicity burden, as confirmed by significant disparities in predictive multiplicity and prediction confidence. Furthermore, our empirical comparisons indicate that applying post-hoc calibration methods - specifically Platt Scaling, Isotonic Regression, and Temperature Scaling - is associated with lower obscurity across the Rashomon set. Among the tested techniques, Platt Scaling and Isotonic Regression provide the most robust reduction in predictive multiplicity. These findings suggest that calibration can function as a consensus-enforcing layer and may support procedural fairness by mitigating predictive multiplicity.
• Abstract（参考訳）: 機械学習モデルがハイテイク環境にますますデプロイされるにつれて、確率的信頼性と予測安定性の両方が重要になっている。 本稿では, 分類校正と予測乗算の相互関係について検討する。これは, ラッショモン集合内の複数の準最適モデルが, 同一申請者に対して相反する信用結果をもたらす現象である。 9つの多様な信用リスク・ベンチマーク・データセットを用いて,予測多重度が予測信頼性の低い領域に集中するか否かと,ポストホックキャリブレーションがアルゴリズムの任意性を緩和する方法について検討する。 実証分析の結果,予測多重度と予測信頼度に有意差があることから,少数民族の観察が不均等な多重度負担を負っていることが明らかとなった。 さらに, 熱後キャリブレーション法(特にPlatt Scaling, Isotonic Regression, temperature Scaling)の適用は, 羅生門集合全体の低視差と関連していることを示す。 テスト手法のうち、Platt Scaling と Isotonic Regression は予測多重度を最も堅牢に削減する。 これらの結果から,キャリブレーションはコンセンサス強化層として機能し,予測多重性を緩和することにより手続き的公正性を支持する可能性が示唆された。

関連論文リスト

• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Multiclass Alignment of Confidence and Certainty for Network Calibration [10.15706847741555]
  最近の研究では、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることが示されている。 予測平均信頼度と予測確実性(MACC)の多クラスアライメントとして知られる簡易なプラグアンドプレイ補助損失を特徴とする列車時キャリブレーション法を提案する。 本手法は,領域内および領域外両方のキャリブレーション性能を実現する。
  論文  参考訳（メタデータ） (2023-09-06T00:56:24Z)
• 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)
• Fair admission risk prediction with proportional multicalibration [0.16249424686052708]
  マルチキャリブレーション制約は、柔軟に定義されたサブポピュレーション間のキャリブレーション誤差を補正する。 意思決定者は特定のグループに対するモデル予測を信頼するか、不信にするかを学ぶことができる。 本稿では,グループ間および予測ビン内における正の校正誤差を制限する基準である比例多重校正を提案する。
  論文  参考訳（メタデータ） (2022-09-29T08:15:29Z)
• Low-Degree Multicalibration [16.99099840073075]
  低Degree Multicalibration は、ますます強力なマルチグループフェアネスの概念の階層を定義する。 低次マルチキャリブレーションは完全マルチキャリブレーションよりもはるかに効率的であることを示す。 我々の研究は、低次多重校正がスイートスポット、ペアリング計算とサンプル効率を強い公正性と精度保証で表しているという説得力のある証拠を提示する。
  論文  参考訳（メタデータ） (2022-03-02T17:24:55Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)

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。