論文の概要: Mixed-Prior Decision Risk for Open-Set Recognition
- arxiv url: http://arxiv.org/abs/2609.35043v1
- Date: Mon, 28 Sep 2026 12:40:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 17:28:49.421144
- Title: Mixed-Prior Decision Risk for Open-Set Recognition
- Title（参考訳）: オープンセット認識における混合パラメータ決定リスク
- Abstract要約: オープンセット認識では、プローブは既知のギャラリークラスの1つとして特定するか、不明として拒否されなければならない。
提案するMPRiskは,選択した決定に関連するエラーイベントを直接スコアする混合事前決定リスクスコアである。
検証セットに調整された4つの非負重みは、ランク付けに十分であり、非線形教師付きモデルを必要としない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: In open-set recognition (OSR), a probe must either be identified as one of the known gallery classes or rejected as unknown, so three error types coexist: false acceptance, false rejection, and misidentification. An uncertainty score for selective recognition should rank probes by the risk of the decision the system has made. Bayesian gallery-aware models such as Holistic Uncertainty Estimation (HolUE) summarize the posterior over known and unknown classes by Kullback--Leibler (KL) divergence components and map them to an uncertainty score with a supervised nonlinear calibrator. We show that the KL summary is not generally monotone in decision risk: linear fusion of the KL components tuned on validation data yields negative filtering quality on several benchmarks. We propose MPRisk, a mixed-prior posterior decision-risk score that keeps the same Bayesian posterior but directly scores the error events associated with the selected decision: false-acceptance, misidentification, and false-rejection risks, plus a non-specificity penalty for rejections, enabled by modeling unknown identities as a continuous component. Four nonnegative weights tuned on a validation set suffice for ranking; no nonlinear supervised model is required. Across nine image, audio, and text benchmarks, MPRisk achieves the best or tied-best Prediction Rejection Ratio at every operating point on the image and audio benchmarks and on most text operating points, with bootstrap-confirmed gains over HolUE on five benchmarks (up to $+0.19$ PRR) at comparable or lower runtime.
- Abstract（参考訳）: オープンセット認識(OSR)では、プローブは既知のギャラリークラスの1つとして特定するか、不明として拒否されなければならないため、3つのエラータイプが共存する:偽の受け入れ、偽の拒絶、誤識別。
選択的認識のための不確実性スコアは、システムが下した決定のリスクによってプローブをランク付けすべきである。
Holistic Uncertainity Estimation (HolUE) のようなベイズ的ギャラリーアウェアモデルでは、Kulback-Leibler (KL) の発散成分によって、未知のクラスよりも後方のクラスを要約し、それらを教師付き非線形校正器で不確実性スコアにマッピングする。
検証データに調整されたKL成分の線形融合は、いくつかのベンチマークにおいて負のフィルタリング品質をもたらす。
提案するMPRiskは,同一のベイズ後部を保ちつつ,選択された決定に関連する誤り事象(誤認,誤認,誤認リスク)を直接スコアする混合事前決定リスクスコアであり,不特定性(non-specificity)ペナルティ(injection)を連続成分としてモデル化することで,拒絶に対する非特異性(non-specificity)ペナルティ(injection)を付与する。
検証セットに調整された4つの非負重みは、ランク付けに十分であり、非線形教師付きモデルを必要としない。
9つの画像、オーディオ、テキストのベンチマークで、MPRiskは、画像とオーディオのベンチマークとほとんどのテキストのオペレーションポイントのすべての操作ポイントにおいて、最高の、または最も結びついた予測リジェクション比を達成している。
関連論文リスト
- A Closed-Form Estimator and Diagnostic Battery for Anchor-Judge Error Correlation, Under a Single-Common-Factor Model [0.0]
外部参照セットを使用して、LCM-judgeパネルのエラーを品質信号と共有共通モードエラーに分解する。
我々は、その仮定がいつ降ろされ、見積もりに置き換えられるかを研究する。
クリーンアンカー推定器は、汚染されたコンパニオンアンカーが、信頼されたアンカー自体が汚染されると完全にクリーンであると報告する。
論文 参考訳（メタデータ） (2026-09-08T14:49:13Z) - Asymptotic Risk Calibration for Selective Question Answering [0.0]
大規模言語モデル(LLM)は、流動性があるが誤った答えを生成する。
A-CRC-QAは不確実性を考慮した質問応答のためのポストホックキャリブレーションフレームワークである。
A-CRC-QAはモデルに依存しず、追加のトレーニングを必要とせず、異なる不確実性推定器と組み合わせることができる。
論文 参考訳（メタデータ） (2026-08-12T12:45:45Z) - Uncertainty-Aware Abstention in Large Language Models with Provable Alignment Guarantees [0.5371337604556311]
大規模言語モデル (LLM) は質問応答システム (QA) に徐々にデプロイされている。
信頼度を見積もることなく、幻覚または不一致の応答を生成することができる。
我々は、任意の不確実性スコアをリスク制御された選択応答規則に変換する信頼区間に基づくキャリブレーションフレームワークであるCICを提案する。
論文 参考訳（メタデータ） (2026-07-05T17:50:32Z) - SELFDOUBT: Uncertainty Quantification for Reasoning LLMs via the Hedge-to-Verify Ratio [0.038379177968040606]
言語モデル推論のための単一パス不確実性フレームワークであるSELFDOUBTを提案する。
私たちのキーシグナルであるHedge-to-Verify Ratio(HVR)は、推論トレースが不確実性マーカーを含むかどうかを検出し、もしそうであれば、明示的な自己チェック行動によってオフセットされているかどうかを検出する。
SELFDOUBTは単一の観測された推論軌道で動作し、任意のプロプライエタリなAPI上でのレイテンシとコスト制約によるデプロイメントに適している。
論文 参考訳（メタデータ） (2026-04-07T19:19:29Z) - Entropy Alone is Insufficient for Safe Selective Prediction in LLMs [20.664633053172327]
選択予測システムは、高リスクケースでの回答を控えることで、言語モデル幻覚による害を軽減することができる。
不確実性定量化技術はしばしばそのようなケースを特定するために用いられるが、より広い選択的予測ポリシーの文脈で評価されることはほとんどない。
エントロピーに基づく不確実性手法のモデル依存的故障モードを同定し、エントロピースコアと正当性プローブ信号を組み合わせることで、信頼できない禁忌行動に対処する。
論文 参考訳（メタデータ） (2026-03-22T11:27:13Z) - 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) - Reference-Free Rating of LLM Responses via Latent Information [53.463883683503106]
本研究では,判断モデルに対して,自由テキスト応答にQuattスケールのスコアを割り当てるよう依頼する一般的な実践について検討する。
次に、内部モデル信号からスカラー評価を導出する潜在裁判官を提案し、評価する。
ペアとシングルレーティングのベンチマークの幅広いスイートの中で、潜在メソッドは標準のプロンプトにマッチするか、超えている。
論文 参考訳（メタデータ） (2025-09-29T12:15:52Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - 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) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z)
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。