論文の概要: Conformal Risk Minimization for Semi-Supervised Domain Adaptation via Optimal Transport

• arxiv url: http://arxiv.org/abs/2608.23153v1
• Date: Mon, 24 Aug 2026 11:58:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.040798
• Title: Conformal Risk Minimization for Semi-Supervised Domain Adaptation via Optimal Transport
• Title（参考訳）: 半監督領域適応のための最適輸送によるコンフォーマルリスク最小化
• Authors: Manos Giannopoulos, Yi Shen, Michael M. Zavlanos,
• Abstract要約: 高度な医療アプリケーションでは、機械学習モデルは、ある患者の集団のデータに基づいて頻繁に訓練され、別の患者にデプロイされる。 本稿では,コンフォーマルリスク最小化を半監督ドメイン適応トレーニング目標に統合するエンドツーエンドフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.158481570780277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In high-stakes healthcare applications, machine learning models are frequently trained on data from one patient population and deployed on another, creating a distribution shift that degrades both accuracy and reliability. Semi-Supervised Domain Adaptation (SSDA) addresses this by leveraging labeled data from some source domain to improve model performance on a target domain where labels are scarce. However, existing SSDA methods optimize primarily for point-prediction accuracy and offer no principled uncertainty quantification --- a prerequisite for clinical trust. Conformal Prediction (CP) can address this limitation by providing prediction sets with rigorous, distribution-free coverage guarantees. However, applying CP post-hoc to a pre-trained model can yield prohibitively large prediction sets, as SSDA pre-training methods do not account for the nonconformity score geometry that determines conformal set size. Conformal Risk Minimization (CRM) has been used to resolve this issue in the fully supervised setting by integrating the CP objective directly into model training, but it requires a large labeled dataset to compute nonconformity thresholds during training, precisely the data that is scarce in the SSDA regime. We propose an end-to-end framework that integrates CRM into the SSDA training objective, enabling effective CRM in the limited-labeled-target-data regime. The key idea is to utilize Optimal Transport (OT) to generate pseudolabels for unlabeled target instances, providing the additional training signal needed by CRM to operate using only a small labeled target set. This results in a model jointly optimized for domain invariance and conformal efficiency, producing prediction sets that are compact, coverage-valid, and support domain-specific constraints such as excluding mutually contradictory diagnoses in skin lesion classification.
• Abstract（参考訳）: 高度な医療アプリケーションでは、機械学習モデルは、ある患者の集団のデータに基づいて頻繁に訓練され、別の患者にデプロイされ、精度と信頼性の両方を低下させる分散シフトが生成される。 Semi-Supervised Domain Adaptation (SSDA)は、ラベルが不足しているターゲットドメインのモデルパフォーマンスを改善するために、あるソースドメインのラベル付きデータを活用することで、この問題に対処する。 しかし、既存のSSDA法は、主に点予測精度を最適化し、基本的な不確実性定量化を提供しない。 コンフォーマル予測(CP)は、厳密で分布のないカバレッジ保証を備えた予測セットを提供することによって、この制限に対処することができる。 しかし、事前学習されたモデルにCPポストホックを適用すると、SSDA事前学習法は共形集合のサイズを決定する非整合スコア幾何学を考慮しないため、極めて大きな予測セットが得られる。 コンフォーマルリスク最小化(CRM)は、CP目標を直接モデルトレーニングに統合することで、完全な教師付き環境でこの問題を解決するために使用されているが、トレーニング中に非整合しきい値を計算するには、大きなラベル付きデータセットが必要である。 本稿では,CRM を SSDA トレーニング目標に統合したエンドツーエンドフレームワークを提案する。 鍵となるアイデアは、Optimal Transport(OT)を使用してラベルなしのターゲットインスタンスの擬似ラベルを生成し、小さなラベル付きターゲットセットのみを使用して運用するためにCRMが必要とする追加のトレーニング信号を提供することである。 これにより、領域の不変性と整合性効率に共同最適化されたモデルが、コンパクトでカバレッジが有意な予測セットを生成し、皮膚病変分類における相互に矛盾する診断を除外するなど、ドメイン固有の制約をサポートする。

関連論文リスト

• 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)
• When few labeled target data suffice: a theory of semi-supervised domain adaptation via fine-tuning from multiple adaptive starts [5.839411310096219]
  半教師付きドメイン適応(SSDA)は、限られたラベル付きターゲットデータを用いて、ターゲット領域で高い予測性能を達成することを目的としている。 本研究では,構造因果モデル(SCM)に基づく理論的枠組みを構築し,ラベル付き対象データに制限がある場合のSSDA手法の性能解析と定量化を可能にする。 本稿では,複数の出発点からUDAモデルを微調整し,最適性能を選択するマルチ・アダプティブ・スタート・ファイン・チューニング(MASFT)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-19T15:18:28Z)
• Cal-SFDA: Source-Free Domain-adaptive Semantic Segmentation with Differentiable Expected Calibration Error [50.86671887712424]
  ドメイン適応型セマンティックセグメンテーションの流行は、ソースドメインデータの漏洩に関する懸念を引き起こしている。 ソースデータの要求を回避するため、ソースフリーなドメイン適応が実現可能なソリューションとして登場した。 校正誘導型ソースフリーなドメイン適応型セマンティックセマンティックセマンティクスフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-06T03:28:34Z)
• Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
  Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる 本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-31T03:14:44Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• SENTRY: Selective Entropy Optimization via Committee Consistency for Unsupervised Domain Adaptation [14.086066389856173]
  ランダムな画像変換の委員会の下で,予測整合性に基づいて対象インスタンスの信頼性を判定するUDAアルゴリズムを提案する。 提案アルゴリズムは,予測エントロピーを選択的に最小化し,高い一貫性のあるターゲットインスタンスに対する信頼度を高めるとともに,予測エントロピーを最大化し,高い一貫性の低いインスタンスに対する信頼度を低減する。 擬似ラベルに基づく近似的クラスバランスと組み合わせることで,標準的なUDAベンチマークや,ラベル分布シフト下でのストレス-テスト適応を目的としたベンチマークから,27/31ドメインシフトの最先端よりも大幅に向上した。
  論文  参考訳（メタデータ） (2020-12-21T16:24:50Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。