論文の概要: Epistemic Learning from Imprecise Annotation

• arxiv url: http://arxiv.org/abs/2609.34285v1
• Date: Mon, 28 Sep 2026 04:29:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:12:36.519201
• Title: Epistemic Learning from Imprecise Annotation
• Title（参考訳）: 不正確なアノテーションによるてんかんの学習
• Abstract要約: 本稿では,クレダル集合(redal set)と呼ばれる,可塑性ラベリング分布の凸集合を監督し,予測分布の集合を学習するフレームワークを提案する。 我々は,最悪のケースとベストケースの損失を最小限に抑えるために訓練された2つの分類ヘッドと共有バックボーンを組み合わせた悲観的・最適化的クレダル分類器(POCC)を用いて,フレームワークをインスタンス化する。 POCCは、予測精度、キャリブレーション、不確実性に基づく選択的分類と競争ベースラインとの良好なバランスを達成する。
• 参考スコア（独自算出の注目度）: 9.75434908987426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imprecise annotations may support several plausible labelling distributions, yet learning methods often resolve this ambiguity into a single predictive distribution. This can obscure what the annotation evidence leaves unresolved. We introduce epistemic learning from credal supervision, a framework that uses convex sets of plausible labelling distributions, called credal sets, as supervision and learns sets of predictive distributions. We instantiate the framework with the pessimistic--optimistic credal classifier (POCC), which combines a shared backbone with two classification heads trained to minimise worst-case and best-case losses over the supervision sets. Their outputs define a predictive credal set whose spread provides an uncertainty score. We also show how credal labels can be obtained through a simple relaxation of existing probabilistic labels, reducing commitment to their precise probability assignments. This construction admits closed-form inner optimisation under cross-entropy loss, enabling efficient training. Assuming the supervision sets contain the true conditional label distributions, and other regularity assumptions, we establish a finite-sample generalisation bound for the averaged predictor with an explicit penalty for supervision imprecision. We evaluate POCC using human annotator disagreement and teacher predictions, alongside label smoothing as a controlled proxy for annotation imprecision. Across these settings, POCC achieves a favourable balance of predictive accuracy, calibration, and uncertainty-based selective classification versus competitive baselines.
• Abstract（参考訳）: 不正確なアノテーションはいくつかの可算なラベリング分布をサポートするが、学習法はしばしばこの曖昧さを単一の予測分布に解決する。 これは、証拠が未解決のまま残しているものを曖昧にすることができる。 本稿では,クレダラベリング分布の凸集合,すなわちクレダラベリング分布の集合を監督として利用し,予測分布の集合を学習するフレームワークである、クレダラ監督からの疫学学習を紹介する。 この枠組みを悲観的・最適化的クレダル分類器 (POCC) を用いてインスタンス化する。これは、共有バックボーンと、最悪ケースと最良ケースの損失を最小限に抑えるために訓練された2つの分類ヘッドを組み合わせたものである。 それらの出力は、スプレッドが不確実性スコアを与える予測的クレダル集合を定義する。 また,既存の確率ラベルを簡易に緩和することで,正確な確率割り当てへのコミットメントを低減できることを示す。 この構造は、クロスエントロピー損失下での閉形式の内部最適化を認め、効率的な訓練を可能にする。 監督集合が真の条件付きラベル分布およびその他の規則性仮定を含むと仮定すると、我々は、監督命令の明示的なペナルティを持つ平均的予測子に対して有界な有限サンプル一般化を確立する。 我々は,注釈不一致と教師予測を併用したPOCCの評価を行い,ラベルスムーシングをアノテーション不正確性の制御プロキシとして用いた。 これらの設定全体で、POCCは予測精度、キャリブレーション、不確実性に基づく選択的分類と競争ベースラインとの良好なバランスを達成する。

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)
• Conformal Inference for Open-Set and Imbalanced Classification [17.863428471982967]
  本稿では,高度不均衡条件とオープンセット条件の整列予測手法を提案する。 既存のアプローチでは有限で既知のラベル空間が必要であり、典型的にはランダムなサンプル分割を伴う。 我々は、新しいデータポイントが以前に見つからなかったクラスに属するかどうかをテストすることができる、新しいコンフォーマルなp-値の族を計算し、統合する。
  論文  参考訳（メタデータ） (2025-10-14T23:19:06Z)
• Credal Prediction based on Relative Likelihood [24.307076055306148]
  本稿では,相対可能性の統計的概念に基づいて,断裂予測に関する理論的基礎的アプローチを提案する。 このような方法で定義されたクレダル集合を適切に修正したアンサンブル学習手法により近似する問題に取り組む。
  論文  参考訳（メタデータ） (2025-05-28T13:20:20Z)
• 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)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• Conformalized Credal Set Predictors [12.549746646074071]
  クレダル集合(英: Credal set)は、不正確な基底-真実分布の候補と見なされる確率分布の集合である。 我々は,干潟集合予測器の学習に共形予測を利用する。 提案手法の自然言語推論への適用性を実証する。
  論文  参考訳（メタデータ） (2024-02-16T14:30:12Z)
• 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)

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。