論文の概要: Conformal Calibration for Multi-Modal Regression with Missing Modalities
- arxiv url: http://arxiv.org/abs/2608.07795v1
- Date: Fri, 07 Aug 2026 22:38:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.513521
- Title: Conformal Calibration for Multi-Modal Regression with Missing Modalities
- Title（参考訳）: マルチモーダル回帰に対するコンフォーマルキャリブレーション
- Abstract要約: 多モード回帰の予測間隔は、ソースが一致しない、または欠落している場合に校正が困難である。
我々はこれをモジュラリティを意識した共形キャリブレーション層を通じて解決する。
レイヤーは、モダリティごとに1つの予測器を訓練または再利用し、予測から不一致スコアを計算し、そのスコアを分割共形キャリブレーションで使用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction intervals for multi-modal regression with tabular variables, text, images, or other input sources are difficult to calibrate when those sources disagree or one is missing. A single global quantile averages these regimes together instead of calibrating to the modality pattern observed at test time. We address this through a modality-aware conformal calibration layer. The layer trains or reuses one predictor per modality, computes a disagreement score from their predictions, and uses that score in split conformal calibration under a strict split protocol. We use the score in two complementary ways. First, a continuous disagreement-scaled method reallocates interval width across examples while preserving the usual marginal split-conformal guarantee. Second, a Mondrian (stratified) method calibrates within groups defined by disagreement or modality availability fixed before calibration, giving group guarantees under joint exchangeability of the calibration and test examples. Across four multi-modal datasets, the disagreement-scaled layer matches or improves the marginal conformal baseline in 59 of 60 paired runs for interval continuous ranked probability score (CRPS) and in 52 of 60 for interval width, while keeping empirical coverage near the 95% target. In stress tests with missing modalities, mask-matched recalibration recovers up to 19.5 percentage points of coverage in the hardest fixed-mask regime. The result is a simple, model-agnostic reliability layer for multi-modal regression systems. A project page is available at https://unco3892.github.io/modality-aware-conformal.
- Abstract（参考訳）: 表変数,テキスト,画像,その他の入力源を用いたマルチモーダル回帰の予測間隔は,それらが一致しない場合や欠落した場合に校正が困難である。
単一のグローバル量子は、テスト時間で観測されるモダリティパターンを調整するのではなく、これらのレジームを一緒に平均化する。
我々はこれをモジュラリティを意識した共形キャリブレーション層を通じて解決する。
レイヤは、モダリティ毎に1つの予測器を訓練または再利用し、予測から不一致スコアを計算し、厳密な分割プロトコルの下で分割共形キャリブレーションでそのスコアを使用する。
私たちはそのスコアを2つの相補的な方法で使います。
第一に、連続不一致スケール法は、通常の境界分割整合保証を保ちつつ、例間の間隔幅を再配置する。
第二に、モンドリアン(成層化)法は、校正前に固定された不一致またはモジュラリティ可用性によって定義された群の中で校正し、校正と試験例の合同交換性の下で群保証を与える。
4つのマルチモーダルデータセットにおいて、差分スケールされた層は、間隔連続格付け確率スコア(CRPS)で59回、間隔幅で52回、95%の目標付近で経験的カバレッジを維持しながら、限界等角基線を一致または改善する。
モダリティの欠如によるストレステストでは、マスク適合型再校正は最も難しい固定マスク体制において19.5ポイントのカバレッジを回復する。
その結果、マルチモーダル回帰システムのためのシンプルなモデルに依存しない信頼性層が得られた。
プロジェクトページはhttps://unco3892.github.io/modality-aware-conformalで公開されている。
関連論文リスト
- Replicable Conformal Prediction [0.3058685580689604]
2人のアナリストが毎回、独立したサンプルで同じ予測モデルを調整します。
2つのキャリブレーションが同じオブジェクトを生成することを確認できない。
一つのランダムなシードを共有し、キャリブレーションされた閾値を粗い共有グリッドまで丸めれば、緊張は解消される。
論文 参考訳（メタデータ） (2026-08-23T17:47:40Z) - Reaching the Tail: Calibration Diversity Drives Conformal Coverage under Data Scarcity [0.0]
長期のマクロ経済連関データ制約下では, マルチホライゾンレアイベント予測は困難である。
制御されたアブレーションは、代わりにキャリブレーションセットのサイズを反映するアダプティブ・コンフォーマル推論に対する明らかな希少しきい値を示す。
論文 参考訳（メタデータ） (2026-08-21T19:51:08Z) - 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) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Post-Hoc Split-Point Self-Consistency Verification for Efficient, Unified Quantification of Aleatoric and Epistemic Uncertainty in Deep Learning [5.996056764788456]
不確実性定量化(UQ)は、信頼できる深層学習には不可欠であるが、既存の手法は計算集約的であるか、タスク固有の部分的な見積もりのみを提供する。
本研究では,事前訓練したモデルの変更や再訓練を伴わずに,アレタリックおよびてんかんの不確実性を共同でキャプチャするポストホック・シングルフォワード・パス・フレームワークを提案する。
提案手法は,EmphSplit-Point Analysis (SPA) を用いて,予測残差を上下サブセットに分解し,各側でEmphMean Absolute Residuals (MAR) を演算する。
論文 参考訳（メタデータ） (2025-09-16T17:16:01Z) - Adaptive Uncertainty Quantification for Generative AI [0.0]
分割コンフォーマルな推論を反映して、整合性のスコアを校正するブラックボックスアルゴリズムのラッパーを設計する。
校正セット上の適合点に頑健な回帰木を嵌合させることにより適応的分割を実現する。
従来のスプリット・コンフォーマルな推論とは異なり、適応的な分割とグループ内キャリブレーションは、局所的に拡張および縮小できる適応バンドをもたらす。
論文 参考訳（メタデータ） (2024-08-16T19:37:33Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳（メタデータ） (2021-02-22T07:22:12Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z) - Distribution-free binary classification: prediction sets, confidence
intervals and calibration [106.50279469344937]
分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。
固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。
我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
論文 参考訳（メタデータ） (2020-06-18T14:17:29Z) - 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)
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。