論文の概要: Does Marginal Coverage Guarantee Class-Conditional Safety for Zero-Shot VLMs Under Shift?
- arxiv url: http://arxiv.org/abs/2608.19376v1
- Date: Wed, 19 Aug 2026 18:42:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.383519
- Title: Does Marginal Coverage Guarantee Class-Conditional Safety for Zero-Shot VLMs Under Shift?
- Title（参考訳）: シフト中におけるゼロショットVLMの安全保証について
- Abstract要約: 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。
- 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: Split-conformal prediction provides marginal coverage under exchangeability and is increasingly used as an abstention layer for zero-shot vision-language models (VLMs). We audit this practice under deployment shift for CLIP, OpenCLIP, and SigLIP across ImageNet and non-ImageNet settings. Marginal coverage can remain relatively high while class-conditional tail coverage collapses: on ImageNet-Sketch, worst-class coverage falls to $\approx 0$ and 10-12% of classes lie below a finite-sample null floor, despite marginal coverage of about 0.86. The failure is aligned with target-domain class accuracy but is not predicted by the source-domain diagnostics we test. Source-side Mondrian calibration improves the in-distribution tail but does not transfer, while clustered conformal and Conf-OT improve marginal or average metrics without recovering the worst-class tail. Target-side class calibration substantially lifts the tail, but requires labels for every class and remains set-size-intensive. We further identify a 2-3$\times$ cross-family efficiency gap and show that native SigLIP sigmoid scores remove APS's probability-mass interpretation. The findings persist across the tested model scale, pretraining corpus, prompt, miscoverage level $α$, and shifted non-ImageNet settings. Marginal conformal coverage should therefore be treated as an average reliability statistic, not as a safety guarantee for the class tail.
- Abstract（参考訳）: スプリット・コンフォーマルな予測は、交換性の下での限界カバレッジを提供し、ゼロショットビジョン言語モデル(VLM)の棄権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。
ImageNet-Sketchでは、最低クラスのカバレッジが$\approx 0$と10-12%のクラスが有限サンプルのヌルフロアの下にある。
障害はターゲットドメインクラスの精度と一致しますが、テストしたソースドメインの診断では予測できません。
ソース側モンドリアンキャリブレーションは分布内テールを改善するが、転送は行わないが、クラスタ化されたコンフォメーションとConf-OTは最悪クラスのテールを回復することなく、マージンまたは平均メトリクスを改善する。
ターゲット側のクラスキャリブレーションは、テールを大幅に引き上げるが、すべてのクラスにラベルが必要であり、セットサイズが集中的に維持される。
さらに2-3$\times$クロスファミリー効率ギャップを同定し、ネイティブSigLIPシグモノイドスコアがAPSの確率質量解釈を除去することを示す。
結果は、テスト対象のモデルスケール、プレトレーニングコーパス、プロンプト、発見レベル$α$、非ImageNet設定のシフトなどにわたって継続された。
したがって、マージナルコンフォメーションカバレッジは、クラステールの安全保証としてではなく、平均的な信頼性統計として扱われるべきである。
関連論文リスト
- Mitigating Class-Tail Undercoverage in Medical Vision-Language Models under Clinical Shift [7.2201008524483585]
Class-Tail Adaptive Localized Conformal Deferral (CALCoDe)は、フリーズ医療ビジョン言語モデルのための信頼性レイヤである。
クロスフィット検証予測は、アンダーカバーのリスクのあるクラスを特定する。
CALCoDeは8つの設定で0.95に到達した唯一のアプローチである。
論文 参考訳（メタデータ） (2026-07-30T10:30:05Z) - The Label Complexity of Class-Conditional Coverage under Distribution Shift [0.614481021961242]
整形予測は、分類器の予測セットが真理をカバーし、その証明が限界であることを示す。
多くの認識ベンチマークは、分散を評価にシフトさせ、トレーニングとテストの分割に相容れない条件を配置する。
本物のクロステーマのベンチマークでは、限界範囲は90%近く、最悪のクラスは70%程度である。
論文 参考訳（メタデータ） (2026-07-20T15:54:45Z) - 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) - Reducing Class-Wise Performance Disparity via Margin Regularization [82.81746960548382]
ディープニューラルネットワークは、クラスバランスのデータでトレーニングされた場合でも、クラスレベルでの精度において大きな違いを示すことが多い。
本稿では,性能格差低減のためのMargin Regularization for Performance Disparity Reduction (MR$2$)を提案する。
分析の結果,クラスごとの機能変動がエラーにどのように寄与するかが明らかとなり,ハードクラスに対するより大きなマージンの利用が動機となった。
論文 参考訳（メタデータ） (2026-01-30T12:56:08Z) - 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) - Technical report on label-informed logit redistribution for better domain generalization in low-shot classification with foundation models [3.938980910007962]
信頼度校正は、基礎モデルに基づく現実世界の意思決定システムにおいて、新たな課題である。
本研究では,微調整の際,不正分類を罰する損失目標に組み込んだペナルティを提案する。
CMP(textitconfidence misalignment penalty)と呼ぶ。
論文 参考訳（メタデータ） (2025-01-29T11:54:37Z) - Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。
本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-17T12:01:56Z) - Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model [24.58531056536442]
整形予測(CP)は、テスト入力上の集合を予測することによって不確実性を扱う。
このカバレッジは、キャリブレーションとテストデータセットの差分分布が$P_X$であったとしても、テストデータ上で保証することができる。
本稿では,上界を小さくする物理インフォームド構造因果モデル(PI-SCM)を提案する。
論文 参考訳（メタデータ） (2024-03-22T08:13:33Z) - Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳（メタデータ） (2023-11-03T21:19:59Z) - Uncertainty Sets for Image Classifiers using Conformal Prediction [112.54626392838163]
本稿では,任意の分類器を修飾して真のラベルを含む予測集合を,90%などのユーザ指定確率で出力するアルゴリズムを提案する。
このアルゴリズムはPlatetスケーリングのようにシンプルで高速だが、すべてのモデルとデータセットに対して正式な有限サンプルカバレッジを保証する。
提案手法は,Plattスケーリング後の可逆クラスの小さなスコアを正規化することにより,より安定した予測セットを与えるために,既存の共形予測アルゴリズムを改良する。
論文 参考訳（メタデータ） (2020-09-29T17:58:04Z)
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。