論文の概要: Unified Approach for Weakly Supervised Multicalibration

• arxiv url: http://arxiv.org/abs/2605.09857v1
• Date: Mon, 11 May 2026 01:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.456531
• Title: Unified Approach for Weakly Supervised Multicalibration
• Title（参考訳）: 弱修正多重校正のための統一的アプローチ
• Authors: Futoshi Futami, Takashi Ishida,
• Abstract要約: マルチキャリブレーションでは、予測スコアは、豊富なサブグループのファミリーとスコアに依存したテストのラベル確率に一致するように要求される。 既存の手法では、評価と後処理のためにクリーンな入力ラベルペアが必要である。 弱い監督下での多重校正を推定・補正するための統一的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 6.557328947642346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multicalibration requires predicted scores to agree with label probabilities across rich families of subgroups and score-dependent tests, but existing methods require clean input-label pairs for evaluation and post-processing. This assumption fails in weakly supervised learning (WSL) regimes -- including positive-unlabeled, unlabeled-unlabeled, and positive-confidence learning -- where clean labels are costly or unavailable even though reliable uncertainty estimates may be crucial. We address this gap by developing estimators of multicalibration error and post-hoc correction methods for WSL settings in which clean input-label pairs are unavailable. We propose a unified framework for estimating and correcting multicalibration under weak supervision by combining contamination-matrix risk rewrites with witness-based calibration constraints, yielding corrected multicalibration moments with finite-sample guarantees. We further propose weak-label multicalibration boost (WLMC), a generic post-hoc recalibration algorithm under weak supervision. Finally, we conduct experiments across multiple weak-supervision settings to evaluate multicalibration behavior and offer empirical insight into uncertainty estimation under weak supervision.
• Abstract（参考訳）: マルチキャリブレーションでは、予測スコアは、豊富なサブグループとスコア依存テストのファミリーにまたがるラベル確率に一致するように要求されるが、既存の手法では、評価と後処理のためにクリーンな入力ラベルペアが必要である。 この仮定は、確実な不確実性推定が不可欠であるにもかかわらず、クリーンラベルがコストがかかる、あるいは利用できない、正のラベル付き、ラベルなし、正の信頼学習を含む、弱い教師付き学習(WSL)体制で失敗する。 クリーンな入力-ラベルペアが利用できないWSL設定に対して,マルチキャリブレーション誤差とポストホック補正手法の推定器を開発することにより,このギャップに対処する。 本研究では,汚染行列のリスク書き直しを目撃者による校正制約と組み合わせ,有限サンプル保証付き修正多重校正モーメントを付与することにより,弱い監督下での多重校正を推定・補正するための統一的な枠組みを提案する。 さらに、弱い監督下での一般的なポストホック校正アルゴリズムである弱ラベル多重校正促進法(WLMC)を提案する。 最後に,マルチキャリブレーション動作の評価と,弱い監督下での不確実性推定に関する実証的な知見を提供するために,複数の弱いスーパービジョン環境を対象に実験を行った。

関連論文リスト

• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• DiCaP: Distribution-Calibrated Pseudo-labeling for Semi-Supervised Multi-Label Learning [83.94574004953346]
  半教師付きマルチラベル学習は、ラベルのないデータを活用してモデルの性能を向上させることを目的としている。 既存の手法の多くは、その品質に関わらず、すべての擬似ラベルに等しい重みを割り当てる。 擬似ラベル重みの校正に後部精度を推定する正当性認識フレームワークDiCaPを提案する。
  論文  参考訳（メタデータ） (2025-11-25T11:55:02Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• A Conformal Risk Control Framework for Granular Word Assessment and Uncertainty Calibration of CLIPScore Quality Estimates [3.902360015414256]
  本稿では,CLIPScore値の分布の生成と校正のための簡単な手法を提案する。 タスク固有の制御変数に対してCLIPScore値を校正し、制限に対処する。 提案手法は,誤った単語を効果的に検出すると同時に,望ましいリスクレベルに整合した形式的な保証を提供する。
  論文  参考訳（メタデータ） (2025-04-01T22:25:00Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• 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)

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。