論文の概要: FALCON-Discover: Discovering Concentrated False-Confidence Regions for Calibration
- arxiv url: http://arxiv.org/abs/2607.18278v1
- Date: Mon, 29 Jun 2026 01:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.102524
- Title: FALCON-Discover: Discovering Concentrated False-Confidence Regions for Calibration
- Title（参考訳）: FALCON-Discovering of Concentated False-Confidence Regions for Calibration
- Abstract要約: 本研究では,精度の高い誤差が予測空間のコンパクトで発見可能な領域を占有する程度である疑似信頼度濃度について検討する。
モデルに依存しないフレームワークであるFALCON-Discoverを導入する。
- 参考スコア（独自算出の注目度）: 26.80740674805048
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Calibration is usually evaluated in aggregate, but the most dangerous failures are often local: predictions that remain highly confident despite being wrong. We study this failure mode as false-confidence concentration, the extent to which confident errors occupy compact, discoverable regions of prediction space. We introduce FALCON-Discover, a post-hoc, model-agnostic framework that ranks predictions using discrepancy signals from confidence, local support, neighborhood agreement, and perturbation stability. Across seven binary tabular datasets, four seeds, five-fold cross-fitting, and strong learners including XGBoost and CatBoost, we find that false-confidence concentration is recurrent but regime-dependent. At the main confidence threshold, discrepancy-based ranking substantially outperforms the strongest validation-selected calibration or trust-scoring baseline in the strongest regimes, while raw confidence recovers little dangerous-error mass. The best detector varies across datasets: learned discrepancy is strongest when multiple cues must be combined, whereas stability-centered ranking works best when local decisional fragility dominates. These results show that dangerous overconfidence is better treated as a family-level discovery problem than as a single-score calibration problem, and motivate calibration strategies that explicitly target regions where confidence, support, and stability diverge.
- Abstract（参考訳）: 校正は通常、まとめて評価されるが、最も危険な失敗は、しばしばローカルである。
本研究では、この故障モードを、信頼度がコンパクトで発見可能な予測空間の領域を占有する程度である偽信頼度濃度として検討する。
FALCON-Discoverは,信頼度,地域支援,地域合意,摂動安定性といった不一致信号を用いて予測をランク付けする,ポストホックでモデルに依存しないフレームワークである。
XGBoost や CatBoost など 7 つの二分グラフデータセット, 4 つのシード, 5 倍のクロスフィット, 強力な学習者を対象に, 疑似信頼度は反復的だが規則に依存していることがわかった。
主要な信頼のしきい値において、不一致に基づくランキングは、最強の政権において最強のバリデーション選択のキャリブレーションまたは信頼評価ベースラインを著しく上回り、一方、生の信頼度はほとんど危険なエラー質量を回復しない。
学習された不一致は複数の手がかりを組み合わせなければならない場合に最も強く、安定性中心のランキングは局所的な決定的脆弱性が支配されるときに最もよく機能する。
これらの結果から, 危険過信は単一スコア校正問題よりも家族レベルの発見問題として扱われ, 信頼性, サポート, 安定性が相違する領域を対象とする校正戦略のモチベーションが得られた。
関連論文リスト
- ReliableNet: A Chance-Constrained Approach to Trustworthy Classification in Deep Learning [0.0]
自信と間違いの両方がある予測は、重大な信頼性の失敗です。
本稿では,JCW(Joint Confident-Wrong)確率を制約するReliableNetを提案する。
ReliableNetは、データセット毎にJCW予算内で認証される唯一のメソッドである。
論文 参考訳（メタデータ） (2026-08-10T15:58:19Z) - Expectation Consistency Loss: Rethink Confidence Calibration under Covariate Shift [7.333172294727063]
一般的な信頼性校正法は、トレーニングとテストデータは独立で、同一に分散されていると仮定する。
本稿では、対象領域の信頼性を校正するために、教師なし領域適応損失を提案する。
予測誤差 (ECE) と同一のサンプル量を持つECL損失を計算し, ECL損失に対する理論的根拠付きミニバッチトレーニング可能なスキームを提供する。
論文 参考訳（メタデータ） (2026-05-20T11:45:39Z) - 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) - Process Supervision of Confidence Margin for Calibrated LLM Reasoning [52.373121066425455]
強化学習(RL)によるテスト時間計算のスケーリングは,大規模言語モデル(LLM)推論能力を向上させるための信頼性の高い経路として登場した。
しかし、結果に基づく報酬は、しばしばモデルに過信感を与え、幻覚、信頼できない信頼ベースの制御、不要な計算割り当てをもたらす。
本稿では,信頼性と信頼性を両立させるキャリブレーションを意識したRLフレームワークであるReinforcement Learning with Confidence Margin(textbfRLCM)を紹介する。
論文 参考訳（メタデータ） (2026-04-25T14:40:13Z) - Socrates Loss: Unifying Confidence Calibration and Classification by Leveraging the Unknown [4.503897051444244]
ディープニューラルネットワークは、高い精度にもかかわらず、しばしば信頼性のキャリブレーションが低く、高い精度のアプリケーションでの信頼性を制限している。
現在のアドホック信頼度校正法は、トレーニング中にこれを修正しようとするが、基本的なトレードオフに直面している。
本稿では、この安定性と性能のトレードオフに対処し緩和する。
補助的未知のクラスを組み込むことにより、不確実性を明確に活用する、新規で統一された損失関数であるSocrates Lossを提案する。
論文 参考訳（メタデータ） (2026-04-14T03:43:15Z) - A Confidence-Variance Theory for Pseudo-Label Selection in Semi-Supervised Learning [15.149171763610662]
本稿では,疑似ラベル選択のための基本的共同信頼性基準を提供する信頼分散(CoVar)理論フレームワークを提案する。
信頼性の高い擬似ラベルは高いMCと低いRCVの両方を持つべきであり,信頼性が向上するにつれてRCVの影響が増大することを示す。
我々は,CoVarをプラグインモジュールとして,半教師付きセマンティックセマンティックセグメンテーションや画像分類手法に統合する。
論文 参考訳（メタデータ） (2026-01-16T02:51:59Z) - ConfTuner: Training Large Language Models to Express Their Confidence Verbally [58.63318088243125]
大規模言語モデル(LLM)は、科学、法律、医療といった高度な領域にますます展開されている。
LLMは、しばしば「過信」(overconfidence)として知られる、高い信頼で誤った答えを生成するために観察される。
論文 参考訳（メタデータ） (2025-08-26T09:25:32Z) - Enhance GNNs with Reliable Confidence Estimation via Adversarial Calibration Learning [30.450482094196243]
優れた予測性能にもかかわらず、GNNは信頼度が低いことがしばしばある。
この問題は、不正検出やリスクアセスメントといった高リスク領域における信頼性に関する懸念を提起する。
本稿では,異なるノード群間のキャリブレーションを適応的に強化する新しいAdvCaliフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-23T23:04:41Z) - Fact-Level Confidence Calibration and Self-Correction [64.40105513819272]
本稿では,事実レベルでの信頼度と妥当性の重み付けを校正するFact-Levelフレームワークを提案する。
また,信頼度の高い自己補正(textbfConFix$)も開発した。
論文 参考訳（メタデータ） (2024-11-20T14:15:18Z) - Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
多くの信頼度推定法は誤分類誤りを検出するのに有害である。
本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
論文 参考訳（メタデータ） (2024-03-05T11:44:14Z) - Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳（メタデータ） (2023-10-09T11:44:50Z)
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。