論文の概要: FragileFlow: Spectral Control of Correct-but-Fragile Predictions for Foundation Model Robustness

• arxiv url: http://arxiv.org/abs/2605.08896v1
• Date: Sat, 09 May 2026 11:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.959966
• Title: FragileFlow: Spectral Control of Correct-but-Fragile Predictions for Foundation Model Robustness
• Title（参考訳）: FragileFlow: 基礎モデルロバストネスに対する補正・脆弱性予測のスペクトル制御
• Abstract要約: 本稿では,FragileFlowについて紹介する。FragileFlowはプラグイン正規化ツールで,正当性とフレギール予測を識別し,オフクラスの確率質量をクラスワイドの脆弱性リスク行列に整理する。 実験により、FragileFlowは一致したベースラインに対して提案された理論が直面するリスク対策を一貫して改善することが示された。
• 参考スコア（独自算出の注目度）: 13.992146221170543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust adaptation of LLMs and VLMs is often evaluated by average accuracy or average consistency under perturbations. However, these averages can hide a structured failure mode: a prediction may remain correct while probability mass already flows from particular true classes toward systematic wrong competitors near the decision boundary. In this paper, we formalize this phenomenon as margin-aware error flow and introduce FragileFlow, a plug-in regularizer that uses a calibrated margin buffer to identify correct-but-fragile predictions and organize their off-class probability mass into a class-wise vulnerable-risk matrix. Theoretically, we provide the first PAC-Bayes upper bound for this margin-aware error-flow object, showing how empirical spectral control yields a conservative route to deterministic worst-class robustness under a stability condition. Experiments on multiple-choice LLM benchmarks and few-shot CLIP adaptation show that FragileFlow consistently improves the proposed theory-facing risk measures over matched baselines, yields perturbed worst-class accuracy gains in most settings, and preserves clean accuracy across comparisons.
• Abstract（参考訳）: LLMとVLMのロバスト適応は、摂動下での平均精度または平均一貫性によって評価されることが多い。 しかし、これらの平均は構造化された障害モードを隠すことができる:予測は正しいが、確率質量は特定の真のクラスから決定境界付近の体系的な間違った競合に向かって既に流れている。 本稿では,この現象をマージン・アウェア・エラーフローとして形式化し,キャリブレーションされたマージンバッファを用いて正当予測を識別し,オフクラス確率質量をクラスワイド・リスク行列に整理するプラグイン正規化器であるFragileFlowを導入する。 理論的には、この境界認識誤差フローオブジェクトに対する最初のPAC-Bayes上界を提供し、実験スペクトル制御が、安定条件下での決定論的最悪のクラスロバスト性に対する保守的な経路をいかに得るかを示す。 多重選択LEMベンチマークと少数ショットCLIP適応実験により、FragileFlowは、一致したベースラインに対して提案された理論に直面するリスク対策を一貫して改善し、ほとんどの設定で最悪のレベルの精度向上をもたらし、比較全体にわたってクリーンな精度を維持している。

関連論文リスト

• IFW-BLS: Dual-Robust Broad Learning System with Intuitionistic Fuzzy Wave Loss [7.2201008524483585]
  ブロードラーニングシステムは、特徴ノードと拡張ノードを通じてネットワーク幅を拡大する効率的なランダム化学習モデルである。 しかし、その標準の最小二乗訓練は、2つの異なる方法で脆弱である: (i) ノイズ、外れ値、または破損したラベルによって引き起こされる大きな残留物が目的を支配でき、 (ii) 全てのサンプルは、曖昧または局所的に矛盾している地域にある場合でも、等しく信頼できるものとして扱われる。 本稿では,直観的ファジィウェーブブロードラーニングシステムIFW-BLSを提案する。
  論文  参考訳（メタデータ） (2026-09-02T10:42:24Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration [14.194086645453767]
  画素間画像の登録は、重度の非線形ラジオメトリックと不確実性のために困難である。 本稿では,高密度モーダルフロー推定を再構成する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-06-29T15:58:25Z)
• Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
  本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。 これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
  論文  参考訳（メタデータ） (2026-06-02T08:41:25Z)
• MEC: Machine-Learning-Assisted Generalized Entropy Calibration for Semi-Supervised Mean Estimation [1.3965477771846408]
  予測駆動推論(PPI)は、小さなラベル付きサンプルでトレーニングされた機械学習予測器を利用して効率を向上させる。 機械学習支援型汎用エントロピー(MEC)は,PPIのクロスフィット・キャリブレーション重み付き変種である。 MECはラベル付きサンプルを再重み付けすることで効率を向上させる。
  論文  参考訳（メタデータ） (2026-04-07T05:30:11Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Calibrating Deep Neural Network using Euclidean Distance [5.3612053942581275]
  機械学習では、Focal Lossは、サンプルの分類が難しいことを強調することで、誤分類率を減らすために一般的に使用される。 高校正誤差は予測確率と実際の結果との相違を示し、モデルの信頼性に影響を及ぼす。 本研究では,FCL (Focal Loss) と呼ばれる新しい損失関数を導入する。
  論文  参考訳（メタデータ） (2024-10-23T23:06:50Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。