Fugu-MT 論文翻訳(概要): CADS: Conformal Adaptive Decision System for Cost-Efficient Image Classification

論文の概要: CADS: Conformal Adaptive Decision System for Cost-Efficient Image Classification

arxiv url: http://arxiv.org/abs/2605.16401v1
Date: Tue, 12 May 2026 19:38:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:46.28862
Title: CADS: Conformal Adaptive Decision System for Cost-Efficient Image Classification
Title（参考訳）: CADS:コスト効率の良い画像分類のためのコンフォーマル適応決定システム
Authors: Turkoglu Mikael, Bary Tim, Thielens Vincent, Dausort Manon, Macq Benoît,
Abstract要約: 高容量AIモデルには最先端のパフォーマンスがあるが、その実践的デプロイメントは、高い推論コスト、環境への影響、"ワンサイズフィット"アプローチによって妨げられることが多い。本稿では,資源割り当ての最適化を目的とした逐次的マルチモデルアルゴリズムであるCADSを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While high-capacity AI models have advanced state-of-the-art performance, their practical deployment is often hindered by high inference costs, environmental impact, and a "one-size-fits-all" approach that ignores varying sample complexity. In clinical settings for instance, the waste of computational resources on routine cases is a significant barrier to sustainable AI. In this paper, we introduce the Conformal Adaptive Decision System (CADS), a sequential multi-model algorithm designed to optimize resource allocation by efficiently sampling models based on the estimated data complexity. CADS leverages conformal prediction to quantify image uncertainty at runtime. CADS provides a mathematically grounded framework for balancing the cost-accuracy dilemma that dynamically routes samples through a model cascade, ranging from lightweight "Scout" models to high-capacity "Oracle" architectures. Validated on two datasets, CADS demonstrated superior efficiency and accuracy at a computational cost that can be up to 12 times lower than heavy-model inference. By accurately routing samples based on real-time complexity, CADS ensures high diagnostic reliability while drastically reducing the economic and environmental footprint of AI.
Abstract（参考訳）: 高容量のAIモデルには最先端のパフォーマンスがあるが、その実践的なデプロイメントは、高い推論コスト、環境への影響、そして様々なサンプルの複雑さを無視する"ワンサイズフィットの"アプローチによって妨げられることが多い。例えば、臨床環境では、日常的なケースにおける計算リソースの無駄は、持続可能なAIにとって重要な障壁である。本稿では,推定データ量に基づいてモデルを効率的にサンプリングすることにより,資源割り当てを最適化する逐次的マルチモデルアルゴリズムである,コンフォーマル適応決定システム(CADS)を提案する。 CADSはコンフォメーション予測を利用して、実行時に画像の不確実性を定量化する。 CADS は,軽量な "Scout" モデルから高容量な "Oracle" アーキテクチャに至るまで,サンプルをモデルカスケードを通じて動的にルーティングするコスト精度ジレンマを,数学的に基盤としたフレームワークを提供する。 2つのデータセットで検証されたCADSは、重モデル推論よりも最大12倍低い計算コストで、優れた効率と精度を示した。リアルタイムの複雑さに基づいてサンプルを正確にルーティングすることにより、CADSは、AIの経済的および環境的フットプリントを大幅に削減しながら、高い診断信頼性を保証する。

関連論文リスト

Difficulty-Estimated Policy Optimization [38.86673795561421]
推論アライメントの効率性とロバスト性を最適化する新しいフレームワークであるDifficulty-Estimated Policy Optimization (DEPO)を提案する。提案手法は,高性能推論モデルの学習における計算障壁を大幅に減らし,推論スケーリングのためのより持続可能な経路を提供する。
論文参考訳（メタデータ） (2026-02-06T04:12:23Z)
Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文参考訳（メタデータ） (2026-02-02T21:33:03Z)
Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文参考訳（メタデータ） (2026-02-01T12:56:10Z)
SparseST: Exploiting Data Sparsity in Spatiotemporal Modeling and Prediction [17.919235390330595]
我々は,効率的なモデルを開発するために,データの疎性を利用する新しいフレームワークであるSparseSTを開発した。また,多目的複合損失関数を設計することにより,モデル性能と計算効率の面を探索し,近似する。
論文参考訳（メタデータ） (2025-11-18T18:53:37Z)
Explicit modelling of subject dependency in BCI decoding [12.17288254938554]
Brain-Computer Interfaces (BCI) は、高いオブジェクト間の変動とラベル付きデータに悩まされる。被験者の身元を条件とした軽量畳み込みニューラルネットワーク(CNN)を用いて、対象の依存関係を明示的にモデル化するエンド・ツー・エンドのアプローチを提案する。
論文参考訳（メタデータ） (2025-09-27T10:51:42Z)
Non-Linear Model-Based Sequential Decision-Making in Agriculture [0.0]
連続的な意思決定は持続可能な農業管理と精密農業の中心である。本研究では,探索-探索ループに直接ドメイン固有応答曲線を埋め込むモデルベースバンディットアルゴリズムのファミリーを提案する。我々のアプローチは、持続可能な、包括的で透明な意思決定を、農業、環境管理、および同盟するアプリケーションでサポートします。
論文参考訳（メタデータ） (2025-09-02T03:41:48Z)
Hierarchical Budget Policy Optimization for Adaptive Reasoning [49.621779447691665]
階層的予算政策最適化(Hierarchical Budget Policy Optimization, HBPO)は、モデルが問題固有の推論深度を犠牲にすることなく学習できる強化学習フレームワークである。 HBPOは、探索空間を予算制約付き階層(512-2560トークン)に分割する。大規模な実験により、HBPOは平均トークン使用量を最大60.6%削減し、4つの推論ベンチマークで精度を3.14%改善した。
論文参考訳（メタデータ） (2025-07-21T17:52:34Z)
Coarse Set Theory for AI Ethics and Decision-Making: A Mathematical Framework for Granular Evaluations [0.0]
粗い倫理 (CE) は、文字のグレードや警告ラベルなどの粗い評価を、認知的および文脈的制約の下で倫理的に適切であるものとして正当化する理論的な枠組みである。本稿では、完全順序構造と粗い分割を用いた粗粒度決定をモデル化する新しい数学的枠組みである粗粒度集合論(CST)を紹介する。 CSTは集合間の階層的関係を定義し、Kulback-Leibler Divergenceのような情報理論ツールを使用して、単純化と情報損失の間のトレードオフを定量化する。
論文参考訳（メタデータ） (2025-02-11T08:18:37Z)
Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
論文参考訳（メタデータ） (2024-12-03T19:20:08Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。