論文の概要: SoftMCC: An MCC-Brier Calibration Bridge for Threshold-Free Model Selection under Class Imbalance

• arxiv url: http://arxiv.org/abs/2608.08984v1
• Date: Mon, 10 Aug 2026 01:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.027631
• Title: SoftMCC: An MCC-Brier Calibration Bridge for Threshold-Free Model Selection under Class Imbalance
• Title（参考訳）: SoftMCC: MCC-Brier Calibration Bridge for Threshold-free Model Selection under Class Im Balance
• Abstract要約: SoftMCCは、確立された確率値の混乱数に関する訓練後のMCC検証フレームワークである。 コアスコアは共正規化確率ラベルアソシエーション(英語版)であり、ハード予測のためにMCCに正確に還元され、ピアソン有界である。 ソフトMCCは最高安定平均ランク(231)と最高平均タイ補正ケンドールW(0.659)に達する
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model selection for imbalanced binary classification often uses the Matthews correlation coefficient (MCC), but thresholding makes validation rankings threshold-dependent. SoftMCC is a post-training MCC validation framework on established probability-valued confusion counts, coupling an MCC-specific calibrated identity with a tie-aware, shared-pool selection protocol. Its core score is a covariance-normalized probability-label association, reduces exactly to MCC for hard predictions, and is Pearson-bounded. Under perfect population calibration it equals the Brier skill score with identical candidate ordering; outside that regime the gap does not identify calibration error. Across 18 settings with 12 duplicate-safe grouped repeats, SoftMCC attains the best stability mean rank (2.31) and highest mean tie-corrected Kendall's W (0.659), with a significant Friedman test (p=0.007); Nemenyi analysis separates it from AUPRC and MCC@0.5, while 14-source-family sensitivity retains only the latter. Selected-model utility shows no advantage. Three of six prespecified comparisons have negative mean test-MCC differences, only F1@best survives Holm correction (p=0.014), and the dataset-level test is not significant (p=0.117). Label permutation lowers mean W to 0.092; temperature scaling shifts SoftMCC rankings (mean Spearman 0.851) whereas rank-based and threshold-optimized metrics remain invariant. SoftMCC is a calibration-sensitive MCC-family selector with bounded stability and utility evidence.
• Abstract（参考訳）: 不均衡二項分類のためのモデル選択は、しばしばマシューズ相関係数(MCC)を用いるが、しきい値はしきい値に依存している。 SoftMCCは、MCC固有の校正IDとタイアウェアの共有プール選択プロトコルを結合した、確立された確率値の混乱数に関する訓練後のMCC検証フレームワークである。 そのコアスコアは共分散正規化確率ラベル結合であり、ハード予測のためにMCCに正確に還元され、ピアソン有界である。 完全な人口キャリブレーションの下では、ブライアスキルスコアと同一の候補オーダとが等しく、その外では、ギャップはキャリブレーション誤差を特定しない。 12個の重複セーフなグループリピートを持つ18のセットで、SoftMCCは最高安定性の平均ランク(2.31)と最高平均タイ補正のKendall's W (0.659)、重要なフリードマン試験(p=0.007)を達成し、Nemenyi分析ではAUPRCとMCC@0.5と分離し、14のソースファミリー感度は後者のみを保持する。 選択されたモデルユーティリティにはメリットがない。 F1@bestだけがホルム補正(p=0.014)に残り、データセットレベルのテストは重要ではない(p=0.117)。 ラベル置換はWを0.092に下げるが、温度スケーリングシフトはSoftMCCランキング(平均Spearman 0.851)であるのに対し、ランクベースとしきい値最適化メトリクスは不変である。 SoftMCCは、キャリブレーションに敏感なMCCファミリーセレクタであり、バウンド安定性とユーティリティエビデンスを備えている。

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)
• Reliability-Aware Hybrid-K Ensemble Selection for Cervical Cytology Classification: Integrating Discrimination, Calibration, and Selective Prediction [3.093890460224435]
  本研究では,マルチクラス頚椎分類のための信頼性を考慮したハイブリッド-Kアンサンブル選択フレームワークを提案する。 9つのディープラーニングアーキテクチャを,固定成層5倍分割と3つの訓練種子を用いて評価した。 Swin-TinyとTinyViT-5Mからなる最後のハイブリッド2アンサンブルは、AURCを43%減らし、NLLを17%減らし、WC-ECEを36%減らした。
  論文  参考訳（メタデータ） (2026-09-01T02:30:41Z)
• SAKI: Score-Aware Low-Rank Key Indexing with Random-Matrix Noise Correction for KV Retrieval [4.894648561808929]
  キー再構成の品質よりも注意点を保存できる学習自由なKVキャッシュインデックスを開発した。 ランク32では、PCAの残るトップ64リコールエラーの13～30%を除去する。 1モデルあたりの注目度は68～99%向上し、より深い層で最大の増加率となる。
  論文  参考訳（メタデータ） (2026-08-04T06:59:29Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• 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)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
  Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。 Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。 現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
  論文  参考訳（メタデータ） (2026-03-27T13:44:42Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Calibratable Disambiguation Loss for Multi-Instance Partial-Label Learning [53.9713678229744]
  MIPL(Multi-instance partial-label Learning)は、インスタンス空間とラベル空間の両方において、不正確な監督の課題に対処する弱い教師付きフレームワークである。 既存のMIPLアプローチは、しばしばキャリブレーションが悪く、信頼性を損なう。 分類精度と校正性能を同時に向上するプラグアンドプレイ校正型曖昧さ損失(CDL)を提案する。
  論文  参考訳（メタデータ） (2025-12-19T16:58:31Z)
• SafeBench-Seq: A Homology-Clustered, CPU-Only Baseline for Protein Hazard Screening with Physicochemical/Composition Features and Cluster-Aware Confidence Intervals [26.81598226089532]
  SafeBench-Seqはメタデータのみの再現可能なベンチマークと,すべて公開データから構築されたベースライン分類器である。 の脅威を近似するために、組み合わせたデータセットを40パーセントのIDでクラスタリングし、クラスタレベルのホールドアウトを実行します。 AUROC/AUPRCとスクリーニング操作点(TPR@1% FPR; FPR@95% TPR)の95%ブートストラップ信頼区間(n=200)を報告した。 我々は,ブライアスコア,期待誤差(ECE),15ビン,信頼性図を用いて,確率品質を定量化する。
  論文  参考訳（メタデータ） (2025-12-19T12:51:31Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Robust performance metrics for imbalanced classification problems [2.07180164747172]
  Fスコアのようなバイナリ分類における確立された性能指標は、クラス不均衡に対して堅牢ではないことを示す。 我々は、FスコアとMCCの堅牢な修正を導入し、強い不均衡な設定であっても、TPRは0ドルから切り離される。
  論文  参考訳（メタデータ） (2024-04-11T11:50:05Z)

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。