論文の概要: Conformal Calibration Transfer

• arxiv url: http://arxiv.org/abs/2609.10737v1
• Date: Wed, 09 Sep 2026 18:32:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.109579
• Title: Conformal Calibration Transfer
• Title（参考訳）: Conformal Calibration Transfer
• Abstract要約: コンフォーマル予測は、点予測をキャリブレーションと配置データの間の交換可能性の下で、カバレッジ保証付き設定値予測に変換する。 共形キャリブレーションの伝達について検討するが、これはラベル付きキャリブレーションがソース空間でのみ利用できるためである。
• 参考スコア（独自算出の注目度）: 4.3530293474638055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction converts point predictions into set-valued predictions with coverage guarantees under exchangeability between calibration and deployment data. We study conformal calibration transfer, where this requirement fails because labeled calibration is available only in a source space, while prediction sets are needed in a target space linked to the source through unlabeled paired observations (e.g., paired modalities or sensor changes). We propose Transported Conformal Calibration (TCC): we transport labeled source calibration into the target space using the paired data, and then correct residual post-transport mismatch using only unlabeled target inputs. We instantiate this correction with two complementary methods: TCC-KS, which uses a label-free uncertainty surrogate to detect mismatch and adjust calibration conservatively, and weighted-TCC, which reweights transported calibration toward the target domain for improved efficiency when weights are stable. We provide finite-sample target-domain coverage guarantees that adapt to an observable measure of mismatch. Across CIFAR-100-C, Tiny-ImageNet-C, and SEN12MS, we show reliable target-domain coverage transfer without labeled target calibration data, with label-free diagnostics that predict when correction is needed.
• Abstract（参考訳）: コンフォーマル予測は、点予測をキャリブレーションと配置データの間の交換可能性の下で、カバレッジ保証付き設定値予測に変換する。 共形キャリブレーションは、ラベル付きキャリブレーションがソース空間でのみ利用可能であるのに対して、未ラベルのペア化観測(例えば、ペア化されたモダリティやセンサの変化)により、ソースにリンクされたターゲット空間で予測セットが必要であるため、この要件は失敗する。 本稿では,2つのデータを用いてラベル付きソースキャリブレーションを対象空間に輸送し,未ラベルのターゲット入力のみを用いて残余のトランスポート後ミスマッチを補正するトランスポートコンフォーマルキャリブレーション(TCC)を提案する。 ラベルのない不確実性サロゲートを用いて、ミスマッチを検出し、キャリブレーションを保守的に調整するTCC-KSと、重み付けが安定している場合に効率を向上させるために、キャリブレーションをターゲット領域に向けて輸送する重み付けTCCの2つの補完手法を用いて、この補正をインスタンス化する。 観測可能なミスマッチの尺度に適合する有限サンプル対象領域カバレッジ保証を提供する。 CIFAR-100-C, Tiny-ImageNet-C, SEN12MS全体で, ラベル付きターゲットキャリブレーションデータを必要としない信頼性の高いターゲットドメインカバレッジ転送を示す。

関連論文リスト

• Learning to Adapt and Calibrate: Score Distribution Alignment for Few-Shot Uncertainty Prediction in Medical VLMs [9.993859591441238]
  本研究では,非交換性下でのコンフォーマルな不確実性推定で教師付き少数ショット適応を再現する枠組みを提案する。 AlignCPは、ラベル付きサポートセットとラベルなしクエリセットとのスコアレベルの相違を低減するために、再重み付きキャリブレーション分布を学習する。
  論文  参考訳（メタデータ） (2026-09-09T15:32:01Z)
• Stable Localized Conformal Prediction via Transduction [13.943418761732936]
  実際には、制限されたサイズのキャリブレーションセットが1つしかない場合、予測セットは、しばしば高いばらつきを示す。 我々は、この懸念を、キャリブレーションデータから設定サイズの条件付き期待値の分散として定義される集合安定性として定式化する。 本稿では,ラベル付きソースタスクデータとラベルなしターゲットデータを利用した移動学習手法であるStable Conformal Prediction (StCP)を提案する。
  論文  参考訳（メタデータ） (2026-05-02T14:02:16Z)
• 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)
• Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
  コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。 この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。 ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-16T16:48:39Z)
• Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score [19.15617038007535]
  コンフォーマル予測(CP)は不確実性定量化のための強力なフレームワークである。 ラベル付きデータがしばしば制限される現実世界のアプリケーションでは、標準CPはカバレッジの偏りを生じさせ、非常に大きな予測セットを出力する。 ラベル付きデータとラベルなしデータの両方を利用してキャリブレーションを行うSemiCPを提案する。
  論文  参考訳（メタデータ） (2025-05-27T12:57:44Z)
• Adaptive Set-Mass Calibration with Conformal Prediction [60.47079469141295]
  提案手法は,まず共形予測から始まり,所望のカバレッジを与えるラベルの集合を得る。 次に、共形制約に合わせて、質量正規化と温度スケーリングに基づくルールの2つの簡単なポストホックキャリブレータをインスタンス化する。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• Estimating calibration error under label shift without labels [47.57286245320775]
  既存のCE推定器は、ターゲットドメインからのラベルへのアクセスを前提としており、実際には利用できないことが多い。 本研究は、ラベルシフト中の新しいCE推定器を提案し、ソースとターゲットの分布間の条件付き$p(X|Y)$定数を維持しながら、境界ラベル分布の$p(Y)$の変化を特徴とする。 我々の貢献は、ラベル付きソース分布の重要度再重み付けを活用することによって、シフトしたターゲット分布に対する一貫性と偏りのないCE推定を提供するアプローチである。
  論文  参考訳（メタデータ） (2023-12-14T01:18:51Z)
• PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation [87.69789891809562]
  非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
  論文  参考訳（メタデータ） (2023-07-14T17:21:41Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。