論文の概要: Cluster Frequency Conformal Prediction for Local Coverage

• arxiv url: http://arxiv.org/abs/2605.24872v1
• Date: Sun, 24 May 2026 05:27:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.487562
• Title: Cluster Frequency Conformal Prediction for Local Coverage
• Title（参考訳）: 局所被覆のクラスタ周波数等角予測
• Authors: Tomer Lavi, Bracha Shapira, Nadav Rappoport,
• Abstract要約: コンフォーマル予測は、分布のないカバレッジを保証するが、多くのクラス分類では、特定のクラスやサブポピュレーションを過小評価することもある。 本稿では,共形予測を学習表現空間の局所構造に適応させるプラグインフレームワークであるCluster Frequency Conformal Prediction (CFCP)を提案する。
• 参考スコア（独自算出の注目度）: 7.5841677529906795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction provides distribution-free coverage guarantees, but in many-class classification it may still under-cover specific classes or subpopulations, preventing safe deployment in high-stakes applications. We propose Cluster Frequency Conformal Prediction (CFCP), a plug-in framework that adapts conformal prediction to local structure in a learned representation space. CFCP clusters learned embeddings, estimates cluster-level label-frequency distributions from calibration data, and for each test point constructs a sample-specific probability vector by softly mixing nearby cluster distributions regularized with global-prior and reliability-aware shrinkage. This vector is then conformalized using standard set constructors. In the disjoint-split regime, CFCP inherits standard finite-sample marginal validity. Under additional assumptions, CFCP further admits a local-validity interpretation. Since representation clusters aggregate locally similar samples, their empirical class frequencies provide a stable estimate of local label ambiguity. Across image and text benchmarks, CFCP achieves the best class coverage in 15/16 dataset/score-family comparisons and a competitive prediction set size efficiency, with several settings substantially more efficient. Overall, our results show that cluster-frequency information provides an effective localized signal for improving classwise reliability in many-class conformal prediction.
• Abstract（参考訳）: コンフォーマル予測は、配布なしのカバレッジ保証を提供するが、多くのクラス分類では、まだ特定のクラスやサブポピュレーションを過小評価しており、ハイテイクなアプリケーションにおける安全なデプロイを防いでいる。 本稿では,共形予測を学習表現空間の局所構造に適応させるプラグインフレームワークであるCluster Frequency Conformal Prediction (CFCP)を提案する。 CFCPクラスタは、埋め込みを学習し、キャリブレーションデータからクラスタレベルのラベル周波数分布を推定し、各テストポイントに対して、グローバルプライオリティおよび信頼性に配慮した正規化された近傍クラスタ分布をソフトに混合することにより、サンプル固有の確率ベクトルを構築する。 このベクトルは標準集合コンストラクタを用いて共形化される。 解離分裂状態において、CFCPは標準有限サンプル限界有効性を継承する。 さらなる仮定の下で、CFCPはさらに局所的正当性解釈を認めている。 表現クラスタは局所的に類似したサンプルを集約するため、その経験的クラス周波数は局所的なラベルのあいまいさを安定に推定する。 画像とテキストのベンチマークを通じて、CFCPは15/16データセット/スコアファミリー比較と競合予測セットサイズ効率において最高のクラスカバレッジを達成する。 以上の結果から,クラスタ周波数情報により,多クラス共形予測におけるクラスレベルの信頼性向上に有効な局所化信号が提供されることがわかった。

関連論文リスト

• Efficient Federated Conformal Prediction with Group-Conditional Guarantees [28.340633583577112]
  Conformal Prediction (CP) は、分布のないカバレッジを保証する予測セットを構築するために広く使われているフレームワークである。 本稿では,グループ条件付き共形予測(GC-FCP)を提案する。 合成および実世界のデータセットの実験は、集中キャリブレーションベースラインと比較してGC-FCPの性能を評価する。
  論文  参考訳（メタデータ） (2026-03-15T03:17:14Z)
• You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
  DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。 本手法は, クラスタリング性能を効果的に向上することを目的としている。
  論文  参考訳（メタデータ） (2025-11-26T09:16:36Z)
• Federated Conditional Conformal Prediction via Generative Models [12.463514743585515]
  Conformal Prediction (CP) は、分布のない不確実性定量化を提供する。 Fed Conditional Conformal Prediction (Fed-CCP)は、ローカルデータの不均一性に対応する条件付きカバレッジを目指している。 実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-15T08:38:38Z)
• Hierarchical Conformal Classification [5.964388602612373]
  コンフォーマル予測(CP)は、機械学習モデルにおける不確実性を定量化する強力なフレームワークである。 標準CPは、クラスをフラットで非構造化として扱い、クラスラベル間の意味や階層構造のような関係を無視している。 本稿では,クラス階層を予測集合の構造と意味論の両方に組み込んだCPの拡張である階層型HCCal Classification (HCC)を提案する。
  論文  参考訳（メタデータ） (2025-08-18T18:05:55Z)
• 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)
• Posterior Conformal Prediction [11.576645675675096]
  コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。 本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。 社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:09:07Z)
• Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
  類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。 クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
  論文  参考訳（メタデータ） (2023-06-15T17:59:02Z)
• Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
  機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。 任意の関数に対するランダム化スムージングの統一的なビューを示す。 本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2020-02-07T21:28:30Z)

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。