Fugu-MT 論文翻訳(概要): Weighted Conformal Clustering

論文の概要: Weighted Conformal Clustering

arxiv url: http://arxiv.org/abs/2606.00436v1
Date: Fri, 29 May 2026 23:58:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.407472
Title: Weighted Conformal Clustering
Title（参考訳）: 重み付きコンフォーマルクラスタリング
Abstract要約: 本稿では,クラスタラベルに対して有効な信頼セットを構築するための新しい重み付き共形手法を提案する。キャリブレーションに利用できるラベルは、地上構造ラベルではなく、データ依存クラスタリングアルゴリズムによって生成される合成ラベルである。
参考スコア（独自算出の注目度）: 5.601217969637838
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Clustering is a central tool for discovering latent structure in unlabeled data; yet modern clustering pipelines often end with a hard assignment of each observation to a cluster without rigorous measures of assignment uncertainty. We propose a novel weighted conformal approach for constructing valid confidence sets for cluster labels. The key difficulty is that the labels available for calibration are not observed ground-truth labels, but synthetic labels produced by a data-dependent clustering algorithm. Our method develops a conformal inference algorithm that corrects the resulting mismatch with the latent target labels through weights by formulating conformal clustering as a conditional label-distribution shift problem. We first derive an oracle procedure that attains finite-sample marginal coverage and then develop a computationally tractable and implementable version using estimated conditional label probabilities and novel augmented calibration. We show that the coverage of the estimated-weight procedure depends on the estimator, giving an explicit bound on the loss relative to the nominal level. Empirical studies demonstrate that the proposed weighted approach offers improvements over the recently proposed split conformal clustering procedure in terms of informative confidence set size, especially in nonlinear and high-dimensional clustering applications.
Abstract（参考訳）: クラスタリングは、ラベルのないデータの潜在構造を発見するための中心的なツールである。しかしながら、現代のクラスタリングパイプラインは、割り当ての不確実性の厳密な測定なしに、クラスタへの各観測のハードな割り当てで終わることが多い。本稿では,クラスタラベルに対して有効な信頼セットを構築するための新しい重み付き共形手法を提案する。鍵となる困難は、キャリブレーションに利用できるラベルは、地上構造ラベルではなく、データ依存クラスタリングアルゴリズムによって生成される合成ラベルである。本手法は,共形クラスタリングを条件付きラベル分布シフト問題として定式化することにより,遅延対象ラベルとのミスマッチを重みによって補正する共形推論アルゴリズムを開発した。まず,有限サンプルの限界被覆を達成し,推定条件付きラベル確率と新しい拡張キャリブレーションを用いて計算可能で実装可能なバージョンを開発する。推定重み付き手順のカバレッジは推定値に依存することを示し、名目レベルでの損失に明確な拘束力を与える。実験的な研究により、提案された重み付け手法は、特に非線形および高次元クラスタリングアプリケーションにおいて、情報的信頼度セットサイズの観点から、最近提案された分割整合クラスタリング法よりも改善されたことを示す。

関連論文リスト

Seed-Guided Semi-Supervised Clustering by A-Contrario Anomaly Detection [0.0]
本稿では,グループ化原理と異常検出の統計的双対性に基づく半教師付きクラスタリングフレームワークを提案する。我々は、クラスタを、一様ランダム性のヌル仮説に対する異常のないデータポイントの最大部分集合として定義する。本手法は, 生, 線形再生, 近傍排他的埋め込みによって表現される画像とテキストのデータセットを含む, 合成および実世界のベンチマークで評価する。
論文参考訳（メタデータ） (2026-06-17T09:08:02Z)
Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-24T08:59:51Z)
AllMatch: Exploiting All Unlabeled Data for Semi-Supervised Learning [5.0823084858349485]
提案するSSLアルゴリズムであるAllMatchは,擬似ラベル精度の向上とラベルなしデータの100%利用率の向上を実現する。その結果、AllMatchは既存の最先端メソッドよりも一貫して優れています。
論文参考訳（メタデータ） (2024-06-22T06:59:52Z)
Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。均一分布仮定に依存しない一貫したアプローチを提案する。相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文参考訳（メタデータ） (2023-11-27T02:59:17Z)
Class-Distribution-Aware Pseudo Labeling for Semi-Supervised Multi-Label Learning [97.88458953075205]
Pseudo-labelingは、ラベルなしデータを利用するための人気で効果的なアプローチとして登場した。本稿では,クラスアウェアの擬似ラベル処理を行うCAP(Class-Aware Pseudo-Labeling)という新しい手法を提案する。
論文参考訳（メタデータ） (2023-05-04T12:52:18Z)
Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。本稿では, Pseudo Label Refinement フレームワークを提案する。
論文参考訳（メタデータ） (2022-11-30T09:39:57Z)
Complementary Labels Learning with Augmented Classes [22.460256396941528]
補完ラベル学習 (Complementary Labels Learning, CLL) は、プライベート質問分類やオンライン学習など、現実世界の多くのタスクに現れる。 CLLAC(Complementary Labels Learning with Augmented Classs)と呼ばれる新しい問題設定を提案する。ラベルのないデータを用いて,CLLACの分類リスクの偏りのない推定手法を提案する。
論文参考訳（メタデータ） (2022-11-19T13:55:27Z)
Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文参考訳（メタデータ） (2022-09-27T19:04:36Z)
Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
論文参考訳（メタデータ） (2022-05-28T02:59:05Z)
Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
極値理論に基づく新しいアイデンティティ分離法を提案する。重なり合うラベルノイズによる問題を大幅に低減する。制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
論文参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。