論文の概要: Contrastive Conformal Sets

• arxiv url: http://arxiv.org/abs/2603.26261v1
• Date: Fri, 27 Mar 2026 10:30:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.449389
• Title: Contrastive Conformal Sets
• Title（参考訳）: Contrastive Conformal Sets
• Abstract要約: 対照的な学習は、正のサンプルを密集させ、負のサンプルを分離することで、コヒーレントなセマンティックな特徴の埋め込みを生成する。 既存のコントラスト学習手法は、意味的特徴空間内のカバレッジに関する原則的な保証を欠いている。 本稿では, 正サンプルのユーザ指定カバレッジを保証し, 負サンプルの排除を最大化しながらコンフォメーションセットを構成する手法を提案する。
• 参考スコア（独自算出の注目度）: 23.735173540590832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive learning produces coherent semantic feature embeddings by encouraging positive samples to cluster closely while separating negative samples. However, existing contrastive learning methods lack principled guarantees on coverage within the semantic feature space. We extend conformal prediction to this setting by introducing minimum-volume covering sets equipped with learnable generalized multi-norm constraints. We propose a method that constructs conformal sets guaranteeing user-specified coverage of positive samples while maximizing negative sample exclusion. We establish theoretically that volume minimization serves as a proxy for negative exclusion, enabling our approach to operate effectively even when negative pairs are unavailable. The positive inclusion guarantee inherits the distribution-free coverage property of conformal prediction, while negative exclusion is maximized through learned set geometry optimized on a held-out training split. Experiments on simulated and real-world image datasets demonstrate improved inclusion-exclusion trade-offs compared to standard distance-based conformal baselines.
• Abstract（参考訳）: 対照的な学習は、正のサンプルを密集させ、負のサンプルを分離することで、コヒーレントなセマンティックな特徴の埋め込みを生成する。 しかし、既存のコントラスト学習手法では、意味的特徴空間内のカバレッジに関する原則的な保証が欠如している。 我々は、学習可能な一般化多重ノルム制約を備えた最小体積被覆集合を導入することにより、コンフォメーション予測をこの設定に拡張する。 本稿では, 正サンプルのユーザ指定カバレッジを保証し, 負サンプルの排除を最大化しながらコンフォメーションセットを構成する手法を提案する。 我々は,ボリューム最小化が負の排除のプロキシとなることを理論的に確立し,負のペアが利用できない場合でも,我々のアプローチが効果的に動作するようにした。 正の包含保証は、共形予測の分布自由カバレッジ特性を継承する一方、負の排除は、保持されたトレーニング分割に最適化された学習セット幾何によって最大化される。 シミュレーションおよび実世界の画像データセットの実験では、標準距離ベースの共形ベースラインと比較して、包含排除トレードオフが改善された。

関連論文リスト

• Structuring Semantic Embeddings for Principle Evaluation: A Prototype-Guided Contrastive Learning Approach [58.15427952222424]
  汎用的なテキスト埋め込みはそのようなタスクに広くデプロイされているが、意味的類似性は意味的に似ているがタスク固有の例を示すことができる。 本稿では,凍結したテキスト埋め込み上に構築された幾何正規化モジュールであるPGCL(Prototype-Guided Contrastive Learning)を紹介する。
  論文  参考訳（メタデータ） (2026-08-15T13:19:25Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Progressive Proxy Anchor Propagation for Unsupervised Semantic Segmentation [20.79048009076496]
  本稿では,画像レベルの事前学習モデルに対するプログレッシブプロキシ・アンカー・プロパゲーション(PPAP)戦略を提案する。 この戦略は、各アンカーに対して、そのプロキシを意味的に類似したサンプルが密集した領域に移すことによって、より信頼に値する正を徐々に識別する。 提案手法の有効性を検証し,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-07-17T10:28:51Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation [18.928543069018865]
  等角予測は分布仮定を避ける一つの方法である。 しかし、予測領域をマージすることで、コンフォメーションスコアに存在する構造が犠牲になり、保守性はさらに低下する。 そこで本研究では,新しいフレームワークを分類と予測列最適化の両方で効果的に活用できることを述べる。
  論文  参考訳（メタデータ） (2024-05-25T14:11:01Z)
• Certified $\ell_2$ Attribution Robustness via Uniformly Smoothed Attributions [20.487079380753876]
  本研究では,ある空間から一様にサンプリングされた雑音によってバニラ属性を増大させる一様平滑化手法を提案する。 攻撃領域内の全ての摂動に対して、摂動試料の均一なスムーズな属性と非摂動試料とのコサイン類似性を低くすることが保証された。
  論文  参考訳（メタデータ） (2024-05-10T09:56:02Z)
• Prototypical Contrastive Learning through Alignment and Uniformity for Recommendation [6.790779112538357]
  提案するアンダーライン・アライメントとアンダーライン・ユニフォーマル性によるインダーライン型コントラスト学習について述べる。 具体的には、まず、原点グラフから異なる拡張点間の整合性を確保するために、潜時空間としてプロトタイプを提案する。 明示的な負の欠如は、インスタンスとプロトタイプ間の整合性損失を直接最適化することで、次元的な崩壊の問題が容易に生じることを意味する。
  論文  参考訳（メタデータ） (2024-02-03T08:19:26Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Learning by Sorting: Self-supervised Learning with Group Ordering Constraints [75.89238437237445]
  本稿では,対照学習目標である群順序制約(GroCo)の新たなバリエーションを提案する。 正の対と負の対の距離をソートし、正の対が負の対よりも多くの距離を持つかに基づいてそれぞれの損失を計算するという考え方を利用しており、したがって正しく順序付けされていない。 各種自己教師付き学習ベンチマークの定式化について検討し、バニラのコントラスト学習と比較して結果が向上するだけでなく、k-NNの性能において、線形探索や性能向上において同等の手法と競合する性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-01-05T11:17:55Z)
• Hard Negative Sampling via Regularized Optimal Transport for Contrastive Representation Learning [13.474603286270836]
  本研究では、教師なしコントラスト表現学習のためのハードネガティブサンプリング分布の設計問題について検討する。 本稿では,最大(Worst-case)一般化されたコントラスト学習損失を最小限に抑える表現を求める新しいmin-maxフレームワークの提案と解析を行う。
  論文  参考訳（メタデータ） (2021-11-04T21:25:24Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Provable Guarantees for Self-Supervised Deep Learning with Spectral Contrastive Loss [72.62029620566925]
  自己教師型学習の最近の研究は、対照的な学習パラダイムを頼りに、最先端の技術の進歩を遂げている。 我々の研究は、正の対の条件的独立性を仮定することなく、対照的な学習を分析する。 本稿では,人口増分グラフ上でスペクトル分解を行う損失を提案し,コントラスト学習目的として簡潔に記述することができる。
  論文  参考訳（メタデータ） (2021-06-08T07:41:02Z)

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。