論文の概要: ReCIRC: Rectified Conformal Risk Control
- arxiv url: http://arxiv.org/abs/2609.38112v1
- Date: Tue, 29 Sep 2026 17:49:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.808497
- Title: ReCIRC: Rectified Conformal Risk Control
- Title（参考訳）: ReCIRC:rectified Conformal Risk Control
- Abstract要約: コンフォーマルリスク制御(CRC)は、そのような損失に対して分布のない保証を与えるが、全ての入力で共有される単一の閾値を校正する。
本稿では,各入力の推定局所リスク曲線を逆転させて,キャリブレーション閾値を共通目標条件としてパラメータ化し,CRCを結果の族に適用するReCIRCを提案する。
ReCIRCは、目標に近い限界リスクを維持しつつ、最低グループリスクと平均陽性グループ過剰を各設定で達成した。
- 参考スコア（独自算出の注目度）: 2.0212584824609503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many applications of black-box predictive models require controlling task-relevant error rates, such as missed lesion pixels in segmentation or missed labels in multilabel classification. Conformal risk control (CRC; Angelopoulos et al., arXiv:2208.02814) gives distribution-free guarantees for such losses, but it calibrates a single threshold shared by all inputs. Because conditional risk varies with the input, this marginal guarantee often overprotects easy cases and underprotects hard ones. We propose ReCIRC (Rectified Conformal Risk Control), which inverts each input's estimated local risk curve to reparameterize the calibrated threshold as a risk budget $a$ representing a common target conditional risk, and then applies CRC unchanged to the resulting family. ReCIRC retains CRC's finite-sample marginal guarantee regardless of the accuracy of the estimated curves, while accurate curves yield approximate conditional risk control and, under additional conditions, asymptotically exact conditional risk control; they also support a risk-calibration diagnostic. Across three synthetic and five real-data settings spanning segmentation, multilabel and multiclass classification, and regression, ReCIRC attained the lowest average worst-group risk and mean positive group excess in every setting, while maintaining marginal risk close to the target, whereas changes in prediction size were application-dependent.
- Abstract（参考訳）: ブラックボックス予測モデルの多くの応用は、セグメンテーションにおける欠落画素やマルチラベル分類における欠落ラベルなど、タスク関連エラー率の制御を必要とする。
コンフォーマルリスク制御(CRC、Angelopoulos et al , arXiv:2208.02814)は、そのような損失に対して分布のない保証を与えるが、全ての入力で共有される単一の閾値を校正する。
条件付きリスクは入力によって異なるため、この限界保証はしばしば容易なケースを過保護し、ハードケースを過保護する。
本稿では,各入力が推定した局所リスク曲線を逆転して,共通目標条件付リスクを表すリスク予算$a$としてキャリブレーションしきい値を再パラメータ化し,CRCを結果の族に適用するRECIRCを提案する。
ReCIRC は、推定曲線の正確性に関わらず CRC の有限サンプル境界保証を維持し、一方で正確な曲線は近似的条件付きリスク制御を、追加条件下では漸近的に正確な条件付きリスク制御を生成する。
セグメンテーション, マルチラベル, マルチクラス分類, レグレッションの3つの実データ設定において, ReCIRCは, 平均最悪のグループリスクと平均陽性グループ過剰を各設定で達成し, 目標に近い限界リスクを維持しつつ, 予測サイズの変化は適用に依存した。
関連論文リスト
- Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Generative Adversarial Regression (GAR): Learning Conditional Risk Scenarios [0.2864713389096699]
本稿では,下流のリスク目標に整合したジェネレータを通して条件付きリスクシナリオを学習するためのフレームワークであるジェネラティブ・アドバサリアル・レグレッション(GAR)を提案する。
GARは、量子型、期待型、および連立有価関数を含む有価関数の条件付きリスクの回帰的評価に基づいて構築される。
我々は、この原則を、同じコンテキスト下での実際のデータとポリシーによって引き起こされるリスクを一致させるジェネレータを訓練することで、生成モデリングに拡張する。
論文 参考訳（メタデータ） (2026-03-09T16:16:59Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - 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) - Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。
5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
論文 参考訳（メタデータ） (2025-10-19T08:21:00Z) - Conformal Risk Training: End-to-End Optimization of Conformal Risk Control [41.45834526675908]
我々は,モデルトレーニングや微調整において,コンフォーマルなOCEリスク制御を通じて区別する,エンドツーエンドのアプローチである「コンフォーマルリスクトレーニング」を導入する。
提案手法は,実証可能なリスク保証を実現するとともに,ポストホック手法よりも平均ケース性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2025-10-09T19:05:45Z) - Conditional Conformal Risk Adaptation [9.559062601251464]
セグメンテーションタスクの条件付きリスク制御を大幅に改善する適応予測セットを作成するための新しいスコア関数を開発する。
画素単位での包含推定の信頼性を高めるための特殊確率校正フレームワークを提案する。
ポリープセグメンテーション実験により, 3つの手法が有意な限界リスク制御を提供し, より一貫した条件リスク制御を実現することを示した。
論文 参考訳（メタデータ） (2025-04-10T10:01:06Z) - Localized Adaptive Risk Control [35.88667386998423]
ローカライズド・アダプティブ・リスク・コントロール(Localized Adaptive Risk Control, L-ARC)は、統計的ローカライズされたリスク保証をターゲットとするオンラインキャリブレーション方式である。
L-ARCは、異なるデータサブポピュレーションにまたがるリスク保証を備えた予測セットを生成する実験によって実証される。
論文 参考訳（メタデータ） (2024-05-13T17:48:45Z) - Cross-Validation Conformal Risk Control [40.2365781482563]
コンフォーマルリスク制御(CRC)は、従来の点予測器にポストホックを適用してキャリブレーションを保証する手法である。
本稿では,従来のCRCの検証ではなく,クロスバリデーションに基づく新しいCRC手法を提案する。
CV-CRCは、設定された予測子の平均リスクに関する理論的保証を提供する。
論文 参考訳（メタデータ） (2024-01-22T14:26:02Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - Class-Weighted Classification: Trade-offs and Robust Approaches [38.12414892326325]
我々は、ラベルが他のラベルと比較して限界確率が低いという問題である不均衡な分類に対処する。
重み付けセットの特定の選択は、リスクの条件値の特別な例につながることを示す。
我々はこの重み付けを一般化し、リスクにおける不均一条件値と呼ばれる新しい頑健なリスク問題を導出する。
論文 参考訳（メタデータ） (2020-05-26T16:45:13Z)
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。