論文の概要: How Many Posterior Samples? Calibrated Stopping for Adaptive Sensing

• arxiv url: http://arxiv.org/abs/2609.21813v1
• Date: Fri, 18 Sep 2026 14:22:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.141102
• Title: How Many Posterior Samples? Calibrated Stopping for Adaptive Sensing
• Title（参考訳）: 後部サンプルはいくつあるか : 適応センシングのための校正停止
• Abstract要約: 我々は、投票を宣言に変換する停止層について研究する。 天然プラグインルールは、観測された投票シェアがしきい値を超えたときに宣言する。 DDRMと固定PCA誘導プローブ配列を持つMNISTでは、補正は最大62%の後方サンプルを節約する。
• 参考スコア（独自算出の注目度）: 6.502899393249507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In classification-oriented adaptive sensing, posterior samples characterize uncertainty at the current measurement state and can serve two roles: they may guide the next sensing direction, while their class labels provide votes for the candidate classes and determine whether sensing should continue. We focus on the stopping layer that turns these votes into a declaration, without modifying the posterior sampler or sensing directions. A natural plug-in rule declares when the observed vote share exceeds a threshold. We show that this threshold is not itself a confidence guarantee: when the underlying vote mass equals the threshold, the plug-in rule declares about half the time. As alternatives, we calibrate a fixed-sample rule and a finite-horizon sequential rule to a prescribed false-declaration probability, and study exact curtailment, which stops a fixed-pool rule once its final verdict is forced. We then derive how one-round declaration probabilities determine posterior-sample cost and classification accuracy along a sensing path. On MNIST with DDRM and a fixed PCA-guided probe sequence, curtailment saves up to 62% of posterior samples. Among the evaluated rules at matched operating points, sequential stopping reduces the cost the most. At a high accuracy, that same sequential rule can trade more posterior samples for fewer measurements.
• Abstract（参考訳）: 分類指向適応センシングでは、後部サンプルは現在の測定状態における不確実性を特徴付け、次のセンシング方向を案内し、クラスラベルは候補クラスに投票を提供し、センシングが継続されるべきかどうかを決定する2つの役割を果たすことができる。 後続のサンプルやセンサの方向を変更することなく、これらの投票を宣言に転換する停止層に焦点を合わせます。 天然プラグインルールは、観測された投票シェアがしきい値を超えたときに宣言する。 このしきい値自体が信頼の保証ではないことが示されています。基盤となる投票質量がしきい値と等しい場合、プラグインルールはおよそ半分の時間で宣言します。 代替として、固定サンプリングルールと有限水平シーケンシャルルールを所定の偽宣言確率に校正し、最終的な判定が強制されると固定プールルールを停止する正確な補正を研究する。 そして,1ラウンドの宣言確率が,センサパスに沿った後段サンプルコストと分類精度をどうやって決定するかを導出する。 DDRMと固定PCA誘導プローブ配列を持つMNISTでは、補正は最大62%の後方サンプルを節約する。 一致した動作点における評価されたルールのうち、逐次停止はコストを最も削減する。 高い精度で、同じシーケンシャルな規則は、より少ない測定のために、より多くの後続のサンプルを交換することができる。

関連論文リスト

• Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores [2.2400646874013037]
  ラベルシフトの下では、標準のコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 後続の予測単位から導かれる非整合性スコアであるemphLabel-Shift-Adjusted Bayesian Score (LSAスコア)を提案する。 LSAスコアは、残留基およびソース基のベイズスコアよりも短い間隔で出力する。
  論文  参考訳（メタデータ） (2026-09-11T03:06:31Z)
• Lottery Tickets Are Not Deployment Tickets [4.230349220081444]
  我々は、下流決定論理を再構成することなく、精度に適合した宝くじ券または他のスパースチャレンジャーが、既存の高密度モデルを置き換えることができるかどうかを検討する。 実験全体を通して、スパース候補は繰り返し密度参照精度を回復するが、行動学的に異なるままである。 固定閾値ポリシー診断を備えた小さなギャップ設定では、宝くじの交換は受け入れレビュー決定の7%から10%に変化する。
  論文  参考訳（メタデータ） (2026-07-29T15:25:19Z)
• ScoreStop: Gradient-based early stopping using functional score tests [0.0]
  本稿では,現在予測器が人口リスク最小化器であるというヌル仮説のテストとして,各イテレーションで停止決定を行う勾配に基づく早期停止則を提案する。 我々のテストでは損失値よりも勾配を用いるため、LambdaRankのような暗黙的な検証損失や、影響関数によるCox回帰のようなデータ依存的な損失にも、同じ構成が適用されます。
  論文  参考訳（メタデータ） (2026-06-01T18:05:22Z)
• 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)
• Conformal Prediction via Transported Beta Laws [0.0]
  実効整合しきい値によって誘導される校正条件付きカバレッジの法則について検討する。 このベータ法則を有限サンプル参照対象とみなし、ワッサーシュタイン距離を用いてそれからの出発を定量化する。
  論文  参考訳（メタデータ） (2026-05-18T18:46:39Z)
• 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)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)
• 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)

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。