論文の概要: Divide et Calibra: Multiclass Local Calibration via Vector Quantization

• arxiv url: http://arxiv.org/abs/2605.21060v1
• Date: Wed, 20 May 2026 11:44:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.649791
• Title: Divide et Calibra: Multiclass Local Calibration via Vector Quantization
• Title（参考訳）: Divide et Calibra:ベクトル量子化によるマルチクラス局所校正
• Authors: Cesare Barbera, Lorenzo Perini, Giovanni De Toni, Andrea Passerini, Andrea Pugnana,
• Abstract要約: 本稿では,共有コードワード依存因子から地域別校正マップを構築する多クラス校正への構成的アプローチを提案する。 提案手法は,不均質なキャリブレーション写像を学習し,潜在空間のスパース領域に対してもよく一般化する。
• 参考スコア（独自算出の注目度）: 16.08047787133007
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate and well-calibrated Machine Learning (ML) models are mandatory in high-stakes settings, yet effective multiclass calibration remains challenging: global approaches assume calibration errors are homogeneous across the latent space, while local methods often rely on latent-space dimensionality reduction, which leads to information loss. To address these issues, we propose a compositional approach to multiclass calibration, where region-specific calibration maps are constructed from shared codeword-dependent factors. We instantiate this idea via Vector Quantization (VQ), which induces a structured partition of the representation space, and an indexed parameterization of Dirichlet concentrations that enables parameter sharing across regions. Our approach learns heterogeneous calibration maps that generalize well even to sparse regions of the latent space. Experiments on benchmark datasets show significant improvements in local calibration while maintaining competitive global calibration and predictive performance.
• Abstract（参考訳）: グローバルアプローチでは、キャリブレーションエラーは潜伏空間全体で均質であると仮定する一方で、ローカルメソッドは潜伏空間の次元削減に依存しており、情報損失につながることが多い。 これらの問題に対処するために,共有コードワード依存因子から地域固有の校正マップを構築する,多クラス校正のための構成的アプローチを提案する。 このアイデアを、表現空間の構造的分割を誘導するベクトル量子化(VQ)と、領域間のパラメータ共有を可能にするディリクレ濃度の指数化パラメータ化によってインスタンス化する。 提案手法は,不均質なキャリブレーション写像を学習し,潜在空間のスパース領域に対してもよく一般化する。 ベンチマークデータセットの実験は、競争力のあるグローバルキャリブレーションと予測性能を維持しながら、局所キャリブレーションの大幅な改善を示している。

関連論文リスト

• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Multiclass Local Calibration With the Jensen-Shannon Distance [16.08047787133007]
  マルチクラスキャリブレーションへの現在のアプローチは、入力間の距離の概念を欠いている。 これは特に、スパースインスタンスが偏りのある治療のリスクが最も高い場合の医療のような、ハイテイクな設定に関係している。 本稿では,予測確率とクラス周波数の局所推定値のアライメントを行うニューラルネットワークにおける局所キャリブレーションの実践的手法を提案する。
  論文  参考訳（メタデータ） (2025-10-30T14:56:07Z)
• Scalable Utility-Aware Multiclass Calibration [53.28176049547449]
  ユーティリティキャリブレーション(英: Utility calibration)は、特定のユーティリティ関数に対するキャリブレーション誤差を測定する一般的なフレームワークである。 我々は、このフレームワークが既存のキャリブレーションメトリクスを統一し、再解釈する方法を実証する。
  論文  参考訳（メタデータ） (2025-10-29T12:32:14Z)
• Rebalancing with Calibrated Sub-classes (RCS): A Statistical Fusion-based Framework for Robust Imbalanced Classification across Modalities [16.993547305381327]
  Rebalancing with Calibrated Sub-classes (RCS)は、ロバストな不均衡な分類のための新しい分散キャリブレーションフレームワークである。 RCSはガウス成分の加重混合により、多数および中間クラスの分布から統計情報を融合する。
  論文  参考訳（メタデータ） (2025-10-10T00:06:13Z)
• FedCal: Achieving Local and Global Calibration in Federated Learning via Aggregated Parameterized Scaler [29.93307421620845]
  フェデレートラーニング(FedCal)は、クライアント固有のスケーラをローカルおよびグローバルキャリブレーションに使用する。 実験では、FedCalが最高性能のベースラインを大幅に上回り、グローバルキャリブレーションエラーを平均47.66%削減した。
  論文  参考訳（メタデータ） (2024-05-24T11:33:58Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Multi-Class Uncertainty Calibration via Mutual Information Maximization-based Binning [8.780958735684958]
  ポストホック多クラスキャリブレーションは、ディープニューラルネットワーク予測の信頼度推定を提供する一般的なアプローチである。 近年の研究では、広く使われているスケーリング手法がキャリブレーション誤差を過小評価していることが示されている。 類似クラス間で1つのキャリブレータを共有する共有クラスワイド(sCW)キャリブレーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-23T15:31:59Z)

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。