論文の概要: Selective Prediction from Agreement: A Lipschitz-Consistent Version Space Approach

• arxiv url: http://arxiv.org/abs/2605.02611v1
• Date: Mon, 04 May 2026 13:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.31875
• Title: Selective Prediction from Agreement: A Lipschitz-Consistent Version Space Approach
• Title（参考訳）: 合意からの選択的予測:リプシッツ・コンスタント・ヴァージョン・スペース・アプローチ
• Abstract要約: 固定プール設定では、ラベル付けされていないプールが事前に与えられ、一部のポイントしかラベルに問合せできない。 我々の主な洞察は、合意によって選択的な予測を眺めることである: 与えられたラベルと埋め込み空間におけるリプシッツマージンの制約。 我々は、各プール点に対して、バージョン空間のすべてのヘッドの予測を含む証明された検証されたラベルの集合を定義する上下リプシッツ辺境界を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider selective classification with abstention in the fixed-pool (or transductive) setting, where the unlabeled pool is given beforehand and only a subset of points can be queried for labels. Our main insight is to view selective prediction through agreement: given queried labels and Lipschitz margin constraints in an embedding space, the version space of Lipschitz-consistent classification heads is well defined. We obtain upper and lower Lipschitz margin bounds that define, for each pool point, a set of certified valid labels containing the prediction of every head in the version space. The model therefore predicts only when the label is forced (i.e., all consistent heads agree), and abstains otherwise. We also propose a monotone submodular geometric proxy for budgeted querying, and show that a greedy algorithm retains the standard approximation factor.
• Abstract（参考訳）: 固定プール(あるいはトランスダクティブ)設定において、ラベル付けされていないプールが事前に与えられ、ラベル付けされたポイントのサブセットのみをクエリできる選択的な分類を考える。 クエリされたラベルと埋め込み空間におけるリプシッツマージンの制約が与えられた場合、リプシッツ整合型分類ヘッドのバージョン空間はよく定義される。 我々は、各プール点に対して、バージョン空間のすべてのヘッドの予測を含む証明された検証されたラベルの集合を定義する上下リプシッツ辺境界を得る。 したがって、このモデルはラベルが強制されたときにのみ予測される(すなわち、全ての一貫した頭が一致する)。 また, 単調な部分モジュラー幾何プロキシを提案し, グレディアルゴリズムが標準近似係数を保っていることを示す。

関連論文リスト

• Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores [2.2400646874013037]
  ラベルシフトの下では、標準のコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 後続の予測単位から導かれる非整合性スコアであるemphLabel-Shift-Adjusted Bayesian Score (LSAスコア)を提案する。 LSAスコアは、残留基およびソース基のベイズスコアよりも短い間隔で出力する。
  論文  参考訳（メタデータ） (2026-09-11T03:06:31Z)
• 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)
• When to Truncate a Feature Ranking: A Residual-Overlap Stopping Rule for Subset Selection [0.0]
  本稿では,教師付き特徴ランクをクラスに依存しないサブセットに変換するための分散フレームワークを開発する。 高次元ゲノムデータセットに対する実証的な比較は、この規則が数万の変数を数ダースに削減できることを示している。
  論文  参考訳（メタデータ） (2026-06-30T14:00:29Z)
• Multi-Label Test-Time Adaptation with Bayesian Conditional Priors [15.878958356965159]
  Conditional Priors Estimation (BCP) は、バックボーンをチューニングせずにラベル依存性を注入する勾配のないテスト時間適応法である。 BCPは、未ラベルのテストストリームからアンカー条件の事前値をオンラインで推定することで、ターゲットアノテーションなしで動作します。 BCPは、標準のマルチラベルベンチマークと複数のCLIPバックボーンで、強力なTTAベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-11T05:29:00Z)
• Kandinsky Conformal Prediction: Beyond Class- and Covariate-Conditional Coverage [25.945248419737318]
  コンフォーマル予測は、カバレッジ保証付き予測セットを構築するための強力な分散フリーフレームワークである。 条件付きカバレッジ保証の範囲を大幅に拡大するフレームワークであるKandinsky conformal predictionを提案する。 提案アルゴリズムは既存の手法を統一・拡張し,極小最適高確率条件付き範囲を実現する。
  論文  参考訳（メタデータ） (2025-02-24T15:46:18Z)
• Sparse Activations as Conformal Predictors [19.298282860984116]
  共形予測と疎ソフトマックス様変換の新たな関連性を見いだす。 本研究では, キャリブレーションプロセスが広く使用されている温度スケーリング法に対応するように, 分類のための新しい非整合性スコアを導入する。 提案手法は, 適用範囲, 効率, 適応性の観点から, 競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-02-20T17:53:41Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• PAC Prediction Sets Under Label Shift [52.30074177997787]
  予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。 ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。 提案手法を5つのデータセットで評価する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:57Z)
• Robust Online Classification: From Estimation to Denoising [14.535583931446807]
  一般仮説クラスを用いて,特徴のオンライン分類をラベルに分類する。 観測されたノイズラベルとノイズレス特徴を用いて予測を行う。 性能は、真のラベルと比較する場合、ミニマックスリスクによって測定される。
  論文  参考訳（メタデータ） (2023-09-04T16:17:39Z)
• Semi-Supervised Laplace Learning on Stiefel Manifolds [48.3427853588646]
  グラフベースで教師付きサンプルを低ラベルレートで作成するためのフレームワークSequential Subspaceを開発した。 我々の手法は極めて低いレートで、高いラベルレートで達成できる。
  論文  参考訳（メタデータ） (2023-07-31T20:19:36Z)
• Learning with Proper Partial Labels [87.65718705642819]
  部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。 この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。 次に、分類リスクの統一的非バイアス推定器を導出する。
  論文  参考訳（メタデータ） (2021-12-23T01:37:03Z)
• Coresets for the Nearest-Neighbor Rule [78.15296214629433]
  最も近い隣の凝縮は、サブセット$R の部分集合 P$ を見つけることである。 本稿では,最寄りの分類のためのコアセットの概念を紹介する。 そこで我々は,選択した部分集合のサイズを上界として証明可能な2次時間近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-02-16T19:00:48Z)

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。