Fugu-MT 論文翻訳(概要): Uncertainty-Aware Probabilistic Constrained Clustering from Entangled Pairwise Supervision

論文の概要: Uncertainty-Aware Probabilistic Constrained Clustering from Entangled Pairwise Supervision

arxiv url: http://arxiv.org/abs/2608.12027v1
Date: Wed, 12 Aug 2026 13:07:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.588914
Title: Uncertainty-Aware Probabilistic Constrained Clustering from Entangled Pairwise Supervision
Title（参考訳）: 絡み合ったペアワイズ・スーパービジョンからの不確かさを意識した確率的制約クラスタリング
Abstract要約: 不確実性を考慮した制約クラスタリング(UPCC)を導入する。我々は、異種観測プロセスを通じて標準的アレタリックターゲットを定義し、その条件付き識別性を分析する。 ECI-PPは, 信頼度推定, 補正, 信頼度認識による不完全な監視を改良する, 推定器・コレクタ・インテグレータ・インテグレータ・フレームワークである。
参考スコア（独自算出の注目度）: 14.00293068731373
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Pairwise constrained clustering typically relies on hard must-link/cannot-link labels, whereas realistic pairwise supervision may be real-valued and entangle intrinsic ambiguity, expert judgment, and stochastic corruption. Existing deep constrained clustering (DCC) methods mainly target hard, expert-agnostic constraints, treating soft labels mostly numerically rather than semantically. We formalize this setting as uncertainty-aware probabilistic constrained clustering (UPCC), defining a canonical aleatoric target through a heterogeneous observation process and analyzing its conditional identifiability. We introduce ProbPair, an angular pairwise objective for probabilistic relations, and build ECI-PP, an estimator--corrector--integrator framework that refines imperfect supervision via belief estimation, correction, and reliability-aware integration. Across challenging probabilistic supervision settings, experiments on diverse benchmarks show that ECI-PP outperforms state-of-the-art DCC methods and remains robust with a shared default configuration.
Abstract（参考訳）: ペアワイズに制約されたクラスタリングは、一般的にハードなマスタリンク/カノットリンクラベルに依存しているのに対し、現実的なペアワイズ監視は、真の価値があり、本質的な曖昧さ、専門家の判断、確率的な汚職である。既存のディープ制約クラスタリング(DCC)手法は主に、意味論的ではなく、ソフトラベルを数値的に扱う、ハードで専門家に依存しない制約をターゲットにしている。我々は、この設定を不確実性を考慮した確率的制約付きクラスタリング(UPCC)として定式化し、不均一な観測プロセスを通じて標準アレタリックターゲットを定義し、条件付き識別可能性を分析する。本稿では,確率的関係のための角対目的であるProbPairを紹介し,信頼度推定,補正,信頼性を考慮した統合を通じて不完全な監視を洗練する推定器-相関器-積分器フレームワークであるECI-PPを構築した。挑戦的な確率的監視設定全体にわたって、多様なベンチマークの実験により、ECI-PPは最先端のDCCメソッドよりも優れており、デフォルト設定の共有で堅牢であることが示された。

関連論文リスト

Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文参考訳（メタデータ） (2026-07-29T05:16:59Z)
AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文参考訳（メタデータ） (2026-06-02T13:30:54Z)
Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection [8.778189690708578]
コンフォーマル予測アセスメント(CPA)は、条件付きカバレッジを教師付き学習タスクとして再編成するフレームワークである。条件付き妥当性指数(CVI)は信頼性を安全性(発見リスク)と効率(発見コスト)に分解する
論文参考訳（メタデータ） (2026-03-28T08:30:17Z)
Assigning Confidence: K-partition Ensembles [6.194291632696817]
本稿では,クラスタリングアンサンブル上で計算された2つの相補的統計量を用いて各点を評価するフレームワークであるCAKEを紹介する。 CAKEは、不明瞭な点と安定したコアメンバーを効果的に強調し、クラスタリング品質を改善するためにフィルタリングや優先順位付けをガイドできる信頼性ランキングを提供する。
論文参考訳（メタデータ） (2026-02-20T18:59:53Z)
Heterogeneous Uncertainty-Guided Composed Image Retrieval with Fine-Grained Probabilistic Learning [49.28548464288051]
Composed Image Retrieval (CIR)は、参照画像と修正テキストを組み合わせることで、画像検索を可能にする。 CIR三重項の内在ノイズは内在的不確実性を引き起こし、モデルの堅牢性を脅かす。本稿では,これらの制約を克服するための不確実性誘導(HUG)パラダイムを提案する。
論文参考訳（メタデータ） (2026-01-16T16:05:49Z)
A Unified and Stable Risk Minimization Framework for Weakly Supervised Learning with Theoretical Guarantees [33.15955234458642]
完全かつ正確なラベルが取得にコストがかかる、あるいは不可能な場合には、完全に教師付き学習の代替として弱教師付き学習が実用化されている。弱教師付きデータの構造に根ざした安定な代理リスクを定式化することにより、そのようなポストホック調整を回避できる、原則化された統一されたフレームワークを提案する。
論文参考訳（メタデータ） (2025-11-28T00:57:04Z)
Credal Ensemble Distillation for Uncertainty Quantification [12.36665123584814]
本研究では, 深部アンサンブルを1つのモデル CREDIT に圧縮し, 分類処理を行うフレームワークとして, クレダルアンサンブル蒸留法を提案する。 CEDは、いくつかの既存のベースラインよりも優れた、あるいは同等の不確実性推定を実現し、深いアンサンブルよりも推論オーバーヘッドを大幅に削減する。
論文参考訳（メタデータ） (2025-11-14T14:53:42Z)
FaithCoT-Bench: Benchmarking Instance-Level Faithfulness of Chain-of-Thought Reasoning [62.452350134196934]
FaithCoT-Benchは、インスタンスレベルのCoT不信検出のための統一ベンチマークである。我々の枠組みは差別的な決定問題として不誠実検出を定式化している。 FaithCoT-Bench は LLM のより解釈可能で信頼性の高い推論に向けた将来の研究の基盤となる。
論文参考訳（メタデータ） (2025-10-05T05:16:54Z)
CCE: Confidence-Consistency Evaluation for Time Series Anomaly Detection [56.302586730134806]
本稿では,新しい評価指標である信頼性・一貫性評価(CCE)を紹介する。 CCEは同時に、予測の信頼性と不確実性を測定する。 RankEvalは、さまざまなメトリクスのランキング機能を比較するためのベンチマークです。
論文参考訳（メタデータ） (2025-09-01T03:38:38Z)
Rethinking Semi-supervised Segmentation Beyond Accuracy: Reliability and Robustness [10.220692937750295]
信頼性スコア(Reliable Score, RSS)は、予測精度、キャリブレーション、不確実性の測定を調和平均で組み合わせた新しい尺度である。我々は、半教師付き学習研究と現実世界の展開ニーズをより良く整合させるために、RSSのようなより包括的なメトリクスへの評価プロトコルのシフトを提唱する。
論文参考訳（メタデータ） (2025-06-06T09:37:45Z)
SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
論文参考訳（メタデータ） (2025-04-19T03:01:45Z)

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。