論文の概要: ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language Navigation

• arxiv url: http://arxiv.org/abs/2609.17499v1
• Date: Tue, 15 Sep 2026 17:42:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.640741
• Title: ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language Navigation
• Title（参考訳）: ENCP:視覚・言語ナビゲーションのためのエピソードNormalized Conformal Prediction
• Abstract要約: ビジョン・ランゲージ・ナビゲーション(VLN)モデルの不確実性推定は、曖昧で信頼性の低い予測を識別するのに役立つため、重要な課題である。 本研究では,不整合スコアをポリシーの信頼度によって再スケールし,各エピソード毎の最大スコアを校正するEpisode-Normalized Conformal Prediction (ENCP)を提案する。
• 参考スコア（独自算出の注目度）: 1.6640915052639702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty estimation for Vision-Language-Navigation (VLN) models is a critical task since it can help identify ambiguous and unreliable predictions, enabling agents to make safer navigation decisions. As one of the most advanced uncertainty estimation frameworks, conformal prediction (CP) offers a promising approach for uncertainty estimation in VLN. However, given that VLN agent requires a sequence of steps, standard calibration in conformal prediction fails to provide coverage guarantee it promises over a dependent, variable-length VLN episode. To this end, we propose Episode-Normalized Conformal Prediction (ENCP), which rescales a nonconformity score by the policy's residual confidence and calibrates one maximum score per episode. Under exchangeable calibration and test episodes, this construction covers the ground truth at every step with probability at least $1 - α$, while allowing dependence among steps within an episode. Across four VLN policies and three nonconformity scores on R2R and REVERIE dataset, ENCP meets all reported empirical step-coverage targets on the seen-to-unseen evaluation. These results demonstrate that ENCP can provide model-agnostic uncertainty estimates, which might be useful for determining when a VLN agent should defer to a more capable predictor, including human assistance.
• Abstract（参考訳）: VLN(Vision-Language-Navigation)モデルの不確実性推定は、不明瞭で信頼性の低い予測を識別し、エージェントがより安全なナビゲーション決定を可能にするため、重要なタスクである。 最も先進的な不確実性推定フレームワークの1つとして、共形予測(CP)はVLNにおける不確実性推定に有望なアプローチを提供する。 しかしながら、VLNエージェントは一連のステップを必要とするため、共形予測の標準的なキャリブレーションでは、依存性のある可変長のVLNエピソードを保証できない。 この目的のために、ポリシーの残留信頼度によって非整合性スコアを再スケールし、エピソードごとの最大スコアを1つキャリブレーションするEpisode-Normalized Conformal Prediction (ENCP)を提案する。 交換可能なキャリブレーションとテストのエピソードの下で、この構成は、各ステップにおける基底真理を少なくとも1 - α$の確率でカバーし、エピソード内のステップ間の依存性を許容する。 4つのVLNポリシーとR2RデータセットとREVERIEデータセット上の3つの不整合スコアに対して、ENCPは、見当たらない評価に関する実証的なステップカバレッジ目標をすべて満たしている。 これらの結果は、ENCPがモデルに依存しない不確実性推定を提供することを示すものであり、VLNエージェントが人的援助を含むより有能な予測器にいつ延期すべきかを決定するのに有用であることを示している。

関連論文リスト

• Answer-Level Trust Selection for Physical Vision-Language Reasoning [19.884429996574763]
  本稿では,個別のVLM予測を受理または拒否するAnswer-Level Trust Selection (ATS)を提案する。 ATSは微調整、補助検証、またはモデルの内部ログへのアクセスを必要としない。 我々は,Qwen2.5-VL-7Bおよび20VLMバックボーンの深部におけるATSの評価を行った。
  論文  参考訳（メタデータ） (2026-08-20T09:00:17Z)
• Empirical Bayes Conformal Prediction for Vision and Language Models [20.40115871314124]
  コンフォーマル予測(CP)は、現代のビジョンと言語モデルに対して、分布のないカバレッジを提供する。 標準CP は 1 つの実現法を使い、平均列キャリブレートの変種は点推定に滑らかな多重実現法を用いる。 実験的なベイズ共形予測フレームワークについて述べる。これは$r$-valuesを用いて、スコアの変動性を不確実な非整合性スコアに変換する。
  論文  参考訳（メタデータ） (2026-05-22T03:17:14Z)
• 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)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• 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)
• Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
  ユーザ定義サブセット間の一貫したカバレッジ率を確保することにより、標準コンフォメーション予測を強化するビン条件コンフォメーション予測(BCCP)を導入する。 標準共形予測と比較すると、BCCPは局所的カバレッジを改善するが、これはわずかに広い予測間隔のコストがかかる。
  論文  参考訳（メタデータ） (2024-10-18T14:41:42Z)
• ConU: Conformal Uncertainty in Large Language Models with Correctness Coverage Guarantees [68.33498595506941]
  自己整合性理論に基づく新しい不確実性尺度を導入する。 次に,CPアルゴリズムに正当性に整合した不確かさ条件を組み込むことにより,適合性不確かさの基準を策定する。 実証的な評価は、我々の不確実性測定が過去の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-06-29T17:33:07Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)

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。