論文の概要: Scaling Full Conformal Image Classifiers

• arxiv url: http://arxiv.org/abs/2609.37298v1
• Date: Tue, 29 Sep 2026 11:37:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.447025
• Title: Scaling Full Conformal Image Classifiers
• Title（参考訳）: 完全コンフォーマル画像分類器のスケーリング
• Abstract要約: コンフォーマル予測は、分布のないカバレッジを保証するセット値予測を提供する。 完全共形予測(FCP)は、テスト時に候補固有のモデル修正を必要とするため、大規模に計算的に禁止される。 本稿では,軽量な帰納的共形予測器を用いてラベルを推定するTargeted Full Conformal Prediction (T-FCP)を紹介する。
• 参考スコア（独自算出の注目度）: 20.999372254003482
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction provides set-valued predictions with distribution-free coverage guarantees, making it attractive for high-stakes image classification. However, split conformal prediction is data-inefficient, while full conformal prediction (FCP), despite its stronger statistical efficiency, is computationally prohibitive at scale because it requires candidate-specific model refits at test time. We address this limitation by leveraging zero-shot vision-language models (VLMs) to guide scalable FCP in large label spaces. We introduce Targeted Full Conformal Prediction (T-FCP), which uses a lightweight inductive conformal predictor to prune unlikely labels and applies FCP only to the remaining candidates, reducing computation while retaining the formal guarantee of the combined conformal procedure. We further propose Stabilized Online LDA (SO-LDA), an efficient VLM adaptation solver based on rank-one inverse-covariance updates. Across multiple benchmarks, including ImageNet, T-FCP enables practical full-conformal image classification with modest test-time overhead, yielding efficient prediction sets and more stable empirical coverage than split conformal alternatives.
• Abstract（参考訳）: コンフォーマル予測は、分布のないカバレッジ保証を備えた設定値の予測を提供するため、高精細画像分類には魅力的である。 しかし、分割共形予測はデータ非効率であるのに対し、完全共形予測(FCP)は統計効率が強いにもかかわらず、テスト時に候補固有のモデル修正を必要とするため、大規模では計算が禁じられている。 我々は、ゼロショットビジョン言語モデル(VLM)を活用して、大規模ラベル空間におけるスケーラブルなFCPを導出することで、この制限に対処する。 提案するT-FCP(Targeted Full Conformal Prediction, T-FCP)は,軽量なインダクティブ・コンフォメーション・予測器を用いてラベルを推定し,残りの候補にのみFCPを適用し,コンフォメーション・コンフォメーション・コンフォメーション・コンフォメーション・プロシージャの形式的保証を維持しつつ計算量を削減する。 さらに、ランクワン逆共分散更新に基づく効率的なVLM適応解法である安定化オンラインLDA(SO-LDA)を提案する。 ImageNetを含む複数のベンチマークにおいて、T-FCPはテスト時間オーバーヘッドの少ない実用的なフルコンフォーマル画像分類を可能にし、より効率的な予測セットとより安定した経験的カバレッジを提供する。

関連論文リスト

• Localized Conformal Prediction for Image Classification with Vision-Language Models [5.212510010425201]
  テスト時間とキャリブレーションの視覚的特徴のコサイン類似性は局所的でないベースラインよりも改善するには不十分である。 本稿では,余弦的類似性の単純な非線形変換を提案する。これは限界被覆保証を保存し,統計的に有意な平均セットサイズ削減を実現する。
  論文  参考訳（メタデータ） (2026-06-30T12:34:40Z)
• 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)
• CAOS: Conformal Aggregation of One-Shot Predictors [0.0]
  ワンショット予測は、1つのラベル付き例のみを使用して、事前訓練された基礎モデルの新しいタスクへの迅速な適応を可能にする。 標準分割コンフォメーション法は、データ分割と単一の予測器への依存のため、ワンショット設定では非効率である。 本稿では,複数のワンショット予測器を適応的に集約するコンフォーマルフレームワークである1ショット予測器のコンフォーマルアグリゲーション(CAOS)を提案する。
  論文  参考訳（メタデータ） (2026-01-08T18:44:21Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Conformal Prediction for Signal Temporal Logic Inference [13.843989967082031]
  信号時間論理(STL)推論は時系列データから人間の解釈可能な規則を抽出しようとする。 既存のメソッドには、推論されたルールに対する正式な信頼性保証がない。 STL推論のためのエンドツーエンドの差別化可能なCPフレームワークを導入し、信頼性と解釈性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-09-29T20:25:02Z)
• 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)
• WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts [4.192712667327956]
  本稿では,変分オートエンコーダ(VAE)から得られた復元損失を,スコア関数をスケールする不確実性指標として紹介する。 重み付き交換可能性の概念を取り入れてRL SCPを改良した量子損失スケールコンフォーマル予測(WQLCP)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:00:15Z)
• 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)
• PAC-Bayes Generalization Certificates for Learned Inductive Conformal Prediction [27.434939269672288]
  我々はPAC-Bayes理論を用いて、集合値予測器のカバレッジと効率の一般化境界を求める。 我々はこれらの理論結果を活用し、キャリブレーションデータを用いてモデルのパラメータやスコア関数を微調整する実用的なアルゴリズムを提供する。 我々は, 回帰および分類タスクに対するアプローチの評価を行い, ICP 上の Hoeffding bound-based PAC 保証を用いて, 基準値の調整を行った。
  論文  参考訳（メタデータ） (2023-12-07T19:40:44Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。