論文の概要: The Label Complexity of Class-Conditional Coverage under Distribution Shift

• arxiv url: http://arxiv.org/abs/2607.18088v1
• Date: Mon, 20 Jul 2026 15:54:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.693923
• Title: The Label Complexity of Class-Conditional Coverage under Distribution Shift
• Title（参考訳）: 分布シフト下におけるクラスコンディション被覆のラベル複雑度
• Abstract要約: クラスごとの妥当性回復のコストを特徴付ける。 ソースラベルのみを用いたクラスごとのキャリブレーションは、クラスごとのギャップのかなりの割合を回復する。 3つの真の重大さのシフトがこの境界を辿り、同じ崩壊と回復が自然画像の汚職のベンチマークに現れる。
• 参考スコア（独自算出の注目度）: 0.614481021961242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard evaluation of many recognition systems contains distribution shift by construction, since benchmarks place disjoint conditions in the training and test splits. Under such a shift, split conformal prediction keeps marginal coverage near the nominal level while per-class coverage fails silently: on a real cross-subject skeleton benchmark, marginal coverage stays near ninety percent, the worst action class is covered about seventy percent of the time, and ten of the sixty classes fall below eighty percent coverage. We characterize the cost of restoring per-class validity. First, an impossibility: once the shift acts jointly on the covariates and the labels, the target class-conditional score law is unidentified from source labels and an unlabeled target sample, so no label-free method attains per-class coverage that is at once valid and efficient. Second, we make the cost precise: per-class validity alone needs only a handful of target labels per class, while the label count necessary and sufficient for validity together with per-class efficiency grows as the inverse square of the efficiency tolerance and the logarithm of the number of classes, with matching upper and lower bounds. Third, within the evaluated prediction-powered inference family, even the most favorable use of the classifier's own pseudo-labels on an unbounded unlabeled target pool improves efficiency by at most a small constant factor where coverage collapses. Skeleton action recognition is our real-data case study. A per-class calibration using source labels alone recovers a substantial share of the per-class gap while the shift preserves marginal coverage, and stops helping exactly when marginal coverage itself breaks. Three real shifts of increasing severity trace this boundary, and the same collapse and recovery appears on a natural-image corruption benchmark, beyond any single modality.
• Abstract（参考訳）: 多くの認識システムの標準評価には、トレーニングとテストの分割で不整合条件が設定されるため、構成による分散シフトが含まれている。 実際のクロスオブジェクトスケルトンベンチマークでは、限界範囲は90パーセント近く、最悪のアクションクラスは70パーセント、60クラスのうち10クラスは80%以下である。 クラスごとの妥当性回復のコストを特徴付ける。 第一に、シフトが共変量とラベルに共同して作用すると、目標クラス条件スコア法則は、ソースラベルとラベルなしターゲットサンプルから特定されず、一度有効かつ効率的にクラス毎のカバレッジを達成できない。 第2に, クラスごとの妥当性は, クラスごとの目標ラベルのみを必要とするが, クラスごとの有効性は, クラスごとの効率の逆正方形とクラス数対数として増加し, 上限値と下限値が一致する。 第3に、評価された予測動力推論ファミリにおいて、未ラベル対象プールにおける分類器自身の擬似ラベルの最も好ましい使用でさえ、カバレッジが崩壊する少なくとも小さな定数係数によって効率を向上させる。 スケルトン行動認識は我々の実データケーススタディである。 ソースラベルのみを用いたクラスごとのキャリブレーションは、クラスごとのギャップのかなりの割合を回復する一方で、シフトは限界カバレッジを保ち、限界カバレッジ自体が壊れたときの正確な支援を停止する。 重大度の増加の3つの真のシフトはこの境界を辿り、同じ崩壊と回復は、いかなる単一のモダリティよりも自然画像の汚職ベンチマークに現れる。

関連論文リスト

• Bounded Adjustment with Reliability-Guided Embedding for Imbalanced Learning with Noisy Labels [7.047239027940408]
  本稿では,BARGE (Bounded Adjustment with Reliability-Guided Embeddings) を導入する。 CIFAR-10, CIFAR-100, Tiny ImageNetで, 長期・ステップ不均衡, クリーンラベル, 20%, 40%のランダムな不正ラベル置換条件下で評価を行った。
  論文  参考訳（メタデータ） (2026-09-14T21:41:28Z)
• Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores [2.2400646874013037]
  ラベルシフトの下では、標準のコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 後続の予測単位から導かれる非整合性スコアであるemphLabel-Shift-Adjusted Bayesian Score (LSAスコア)を提案する。 LSAスコアは、残留基およびソース基のベイズスコアよりも短い間隔で出力する。
  論文  参考訳（メタデータ） (2026-09-11T03:06:31Z)
• Does Marginal Coverage Guarantee Class-Conditional Safety for Zero-Shot VLMs Under Shift? [0.0]
  スプリット・コンフォーマルな予測は、ゼロショット視覚言語モデルの禁忌層としてますます使われている。 私たちは、CLIP、OpenCLIP、SigLIPをImageNetおよび非ImageNet設定でデプロイシフト中のこのプラクティスを監査する。
  論文  参考訳（メタデータ） (2026-08-19T18:42:36Z)
• Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
  コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。 この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。 ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-16T16:48:39Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Self Adaptive Threshold Pseudo-labeling and Unreliable Sample Contrastive Loss for Semi-supervised Image Classification [6.920336485308536]
  擬似ラベルに基づく半教師付きアプローチは、画像分類において2つの問題に悩まされる。 我々は,各クラスの閾値を動的に調整し,信頼性の高いサンプル数を増やす自己適応型閾値擬似ラベル戦略を開発した。 しきい値以下でラベル付けされていないデータを効果的に活用するために、信頼できないサンプルコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2024-07-04T03:04:56Z)
• Efficient Online Set-valued Classification with Bandit Feedback [10.882001129426726]
  クラス固有の粒度のカバレッジ保証を提供するBandit Class-specific Conformal Prediction (BCCP)を提案する。 BCCPは、各イテレーションで少ないラベルでラベル付けされたデータの課題を克服し、オンライン意思決定環境への適合予測の信頼性と適用性を一般化する。
  論文  参考訳（メタデータ） (2024-05-07T15:14:51Z)
• Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
  本稿では,ラベルスキュード・フェデレーション学習の新しいアプローチであるFedVLSを紹介する。 空のクラス蒸留とロジット抑制を同時に統合する。 FedVLSの有効性を検証する実験は、従来のSOTA(State-of-the-art)法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-04T16:06:31Z)
• A Unified Approach to Count-Based Weakly-Supervised Learning [30.953260850416157]
  弱いラベル付きデータから学習するための統一的なアプローチを開発する。 我々は、n 個の出力が真に設定されていることを正確に k 個の確率で計算する。 我々は3つの弱い教師付き学習パラダイムに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-11-22T22:23:34Z)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• 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)
• 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)
• Ambiguity-Resistant Semi-Supervised Learning for Dense Object Detection [98.66771688028426]
  本研究では,一段階検出器のためのAmbiguity-Resistant Semi-supervised Learning (ARSL)を提案する。 擬似ラベルの分類とローカライズ品質を定量化するために,JCE(Joint-Confidence Estimation)を提案する。 ARSLは、曖昧さを効果的に軽減し、MS COCOおよびPASCALVOC上で最先端のSSOD性能を達成する。
  論文  参考訳（メタデータ） (2023-03-27T07:46:58Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。