論文の概要: Full-range Binary Classifier Calibration for Stable Model Updates in Production

• arxiv url: http://arxiv.org/abs/2607.05481v1
• Date: Mon, 06 Jul 2026 15:44:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.277678
• Title: Full-range Binary Classifier Calibration for Stable Model Updates in Production
• Title（参考訳）: 安定モデル更新のためのフルレンジバイナリ分類器の校正
• Abstract要約: 敵対的環境で実行される検出モデルは、良性分布が比較的安定している間に急速にドリフトする悪意のある分布に直面します。 既存のキャリブレーションプリミティブ上に構築されたFPR曲線全体を対象とする手法を提案する。 観察された相対FPR誤差は10%から0.1%FPRに、0.01%FPRに7.2%まで、少なくとも2.3%であった。
• 参考スコア（独自算出の注目度）: 0.23689955632456086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detection models running in adversarial environments face a malicious distribution that drifts rapidly while the benign distribution stays comparatively stable, so teams retrain and redeploy constantly to stay ahead of new threats. Retraining tends to change the output prediction scores, which breaks downstream users of the model. For these security-oriented models we need consistent false-positive rate (FPR) across all output values, whereas standard probability-calibration methods target class probability rather than an FPR contract. We introduce a method built on top of existing calibration primitives that targets the whole FPR curve, giving scores a consistent FPR meaning across deployments. On one held-out split, the observed relative FPR error was at most 2.3% from 10% down to 0.1% FPR and 7.2% at 0.01% FPR. The shipped artifact remains under 200 KB in measurements across calibration sets from 1K to 10M benign samples.
• Abstract（参考訳）: 敵対的な環境で実行される検出モデルは、比較的安定している間に急速にドリフトする悪意のある分布に直面しているため、チームは新たな脅威に先立って常にトレーニングと再デプロイを行う。 リトレーニングは出力予測スコアを変化させる傾向があり、モデルの下流のユーザを壊す。 これらのセキュリティ指向モデルでは、すべての出力値に対して一貫した偽陽性率(FPR)が必要であるが、標準確率校正法はFPR契約よりもクラス確率をターゲットにしている。 本稿では,既存のキャリブレーションプリミティブ上に構築されたFPR曲線全体を対象とする手法を提案する。 観察された相対FPR誤差は10%から0.1%FPRに、0.01%FPRに7.2%まで、少なくとも2.3%であった。 出荷されたアーティファクトは、1Kから10Mの良性サンプルのキャリブレーションセットで200KB未満で残っている。

関連論文リスト

• Can You Trust Frozen Hematology Foundation Models under Acquisition Shift? [0.0]
  4つの公開シングルセル取得ドメインで15の凍結エンコーダを監査する。 ドメイン内の線形プローブマクロF1は飽和(0.98-0.997)であるが、クロスデータセットマクロF1は34-72%低下する。 ドメイン内で最高のDinoBloom-Lは、RedDinoといくつかの一般および病理エンコーダに次いで、最もシフトしたターゲット(MLL23)で15の10位に落ちる。
  論文  参考訳（メタデータ） (2026-08-25T20:55:57Z)
• Generating Bearing Vibration Signals at User-Specified Fault Probabilities Using PR-GAN and Counterfactual Methods [0.0]
  振動データセットを持つ場合、ほとんどの試料は0または1に近い予測された断層確率を受ける。 本稿では, 予測故障確率が目標確率0.25, 0.50, 0.75と一致する振動信号を生成する2つの手法を提案する。 ケース・ウェスタン・リザーブ大学 (CWRU) とパダーボルン大学 (Paderborn) の2つの評価法について検討した。
  論文  参考訳（メタデータ） (2026-07-21T14:45:57Z)
• On Reliability of Efficient Membership Inference Vulnerability Evaluation [7.327728640900649]
  メンバーシップ推論攻撃(MIA)は、トレーニングデータ中の機密情報の漏洩を経験的に評価するための一般的な手法である。 MIAスコアに基づくTPRの評価は、複数の個人と複数のターゲットモデルに対して平均化されることが多いことを示す。 異なるサンプル間でFPRを効果的に校正するための後処理手法を提案する。
  論文  参考訳（メタデータ） (2026-05-25T13:16:39Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Non-Parametric Probabilistic Robustness: A Conservative Metric with Optimized Perturbation Distributions [19.78408583664707]
  我々は,非パラメトリック確率ロバストネス(NPPR)を,対向的ロバストネス(AR)の代替として提案する。 NPPRはデータから直接、最適化された摂動分布を学習し、分布の不確実性の下で保守的なPR評価を可能にする。 CIFAR-10、CIFAR-100、Tiny ImageNetの実験では、最先端技術で使用される一般的な摂動分布を仮定すると、40%以上の保守的(より低い)PR推定値が得られた。
  論文  参考訳（メタデータ） (2025-11-21T16:44:01Z)
• Towards a Trustworthy Anomaly Detection for Critical Applications through Approximated Partial AUC Loss [2.09942566943801]
  2値分類器は、偽陽性率(FPR)を最小化しつつ、真陽性率(TPR)が100%に達するのを防ぐAUC ROC曲線の特定の範囲を最適化するために訓練される。 その結果、TPRは6つのデータセットで平均20.43%のFPRで92.52%向上し、他の最先端の方法と比較して12.2%のFPRコストで4.3%改善した。
  論文  参考訳（メタデータ） (2025-02-17T08:59:59Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Learnable Distribution Calibration for Few-Shot Class-Incremental Learning [122.2241120474278]
  FSCIL(Few-shot class-incremental Learning)は、古いクラス分布を記憶し、少数のトレーニングサンプルから新しいクラス分布を推定するという課題に直面している。 本稿では,これら2つの課題を統一フレームワークを用いて体系的に解決することを目的とした,学習可能な分布校正手法を提案する。
  論文  参考訳（メタデータ） (2022-10-01T09:40:26Z)
• Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
  本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。 トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。 1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
  論文  参考訳（メタデータ） (2022-05-27T11:13:17Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。