論文の概要: Signal-Routed Temperature Scaling: Low-Capacity Risk-Conditioned Calibration for Small Validation Budgets

• arxiv url: http://arxiv.org/abs/2609.38936v1
• Date: Wed, 30 Sep 2026 04:12:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.164589
• Title: Signal-Routed Temperature Scaling: Low-Capacity Risk-Conditioned Calibration for Small Validation Budgets
• Title（参考訳）: 信号制御型温度スケーリング:小検証予算に対する低容量リスク条件キャリブレーション
• Abstract要約: 6つのロジット統計量に対して正当性リスクスコアをクロスフィットする信号除去型温度スケーリングキャリブレータを提案する。 微調整されたCIFAR-100 / ViT-B/16では、SRTS-BCEは$mathrmECE_15$を1.65(スカラーのTvA-TS)から0.96に減らし、キャリブレーション予算で高容量のSMART+BCEヘッド(0.95)と一致する。
• 参考スコア（独自算出の注目度）: 14.456568750144989
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: When a classifier is recalibrated from only a few thousand held-out examples, the capacity of the calibration map becomes a statistical design choice rather than a purely architectural one: a scalar map can underfit structured residual miscalibration, while a highly adaptive map can be hard to estimate reliably from so small a split. We disentangle the calibration objective from adaptive capacity and propose signal-routed temperature scaling (SRTS-BCE), a 10-parameter, argmax-preserving calibrator that cross-fits a correctness-risk score over six logit statistics and fits one top-label-BCE temperature per $K=3$ risk groups, recovering TvA-TS as its $K=1$ limit. On fine-tuned CIFAR-100 / ViT-B/16, SRTS-BCE reduces $\mathrm{ECE}_{15}$ from 1.65 (scalar TvA-TS) to 0.96, matching the higher-capacity SMART+BCE head (0.95) at the full calibration budget. The two regimes separate as the budget shrinks: at $n=250$ SRTS-BCE beats SMART+BCE on all three CIFAR-100 backbones (the seed-to-draw hierarchical interval excludes zero), whereas the flagship comparison against the scalar remains directional. A protocol-frozen Tiny-ImageNet follow-up reproduces the small-budget separation and exhibits a budget-dependent ranking reversal on Swin-T; matched routing and map controls show that the effect is tied neither to the learned router nor to discrete grouping. Together the results identify post-hoc calibrator capacity as a finite-sample design choice whose preferred level shifts with the amount of available calibration data.
• Abstract（参考訳）: 分類器が数千の保留例から再校正されると、キャリブレーションマップのキャパシティは純粋にアーキテクチャ上の選択肢ではなく統計的設計の選択肢となる:スカラーマップは構造的残差校正に不適合であり、高度適応写像は小さな分割から確実に推定することが難しい。 キャリブレーション対象を適応能力から切り離し、10パラメータのargmax保存型キャリブレータ(SRTS-BCE)を提案する。このキャリブレータは6つのロジット統計値に対して正しさリスクスコアをクロスフィットし、最高ラベルBCE温度を1K=3$のリスクグループに適合させ、TvA-TSを$K=1$の制限値として回収する。 微調整された CIFAR-100 / ViT-B/16 では、SRTS-BCE は$\mathrm{ECE}_{15} を 1.65 (スカラー TvA-TS) から 0.96 に減らし、キャリブレーション予算で高容量の SMART+BCE ヘッド (0.95) と一致する。 SRTS-BCEは3つのCIFAR-100のバックボーン全てでSMART+BCEを破り(シード・ツー・ドローの階層間隔はゼロ)、スカラーに対する旗艦比較は方向性を保っている。 プロトコルフリーズされたTiny-ImageNetフォローアップは、小予算の分離を再現し、Swin-T上で予算依存のランキング逆転を示す。 その結果, キャリブレータ後キャリブレータ容量は, 使用可能なキャリブレーションデータの量に応じて, 所望のレベルシフトが変化する有限サンプル設計選択であることがわかった。

関連論文リスト

• CORE-STACK+: Meta-Learning for Deep Stacked Generalization [0.0]
  スタックングヘテロジニアス視覚バックボーン(CNN、ViT、ハイブリッド)は、精度、校正、堅牢性のデファクトレシピである。 予測空間の多重コリンはメタラーナーのグラム行列を悪条件にし、重みの分散を膨らませ、薄い多様体上の脆い解を生成する。 ECEは、ホック後の温度スケーリングなしでディープアンサンブルよりも2.1タイムスで改善している。
  論文  参考訳（メタデータ） (2026-09-22T18:03:36Z)
• Should This Case Be Adapted? Prediction Fragmentation Controls Test-Time Adaptation [10.143713953177533]
  エピソードテスト時間適応は、凍結セグメンタを各ケースのソースウェイトにリセットし、固定ステップ数に適応する。 固定地平線はコホートレベルの問題、どの程度の距離で適応するか、そして不可解なケースごとの質問を膨らませる。 我々は、この害を、コントローラが配置する編集領域の有害な部分である有害許容領域(HA)として定量化する。
  論文  参考訳（メタデータ） (2026-09-17T17:02:53Z)
• Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration [20.21455697379946]
  そこで我々は,列車チューンキャリブレート設計の原則としてデカップリング・コンフォーマル最適化(DCO)を提案する。 DCOは、効率指向構造選択のために独立したチューニングスプリットと、最終共形量子化のための新鮮なキャリブレーションスプリットを使用する。 DCOは,PACスタイルのキャリブレーションに対して,平均予測セットサイズや間隔幅を小さくしながら,名目カバレッジレベルを密に追跡する。
  論文  参考訳（メタデータ） (2026-05-18T13:10:21Z)
• Fair and Calibrated Toxicity Detection with Robust Training and Abstention [0.0]
  トレーニングタイムの介入やポストホックの安全メカニズムは独立して評価することはできない。 経験的リスク最小化(ERM)、インスタンスレベルの再重み付け、グループDROをこれらの軸で比較する。
  論文  参考訳（メタデータ） (2026-05-13T19:50:35Z)
• UCCI: Calibrated Uncertainty for Cost-Optimal LLM Cascade Routing [0.11280931253550518]
  本稿では,トークンレベルのマージン不確かさをクエリごとのエラー確率にマッピングするキャリブレーションファーストルータUCCIを提案する。 UCCIは推論コストを31%削減し、エントロピー閾値、スプリットコンフォーマルルーティング、FrugalGPTスタイルの学習しきい値を上回る。
  論文  参考訳（メタデータ） (2026-05-11T07:06:57Z)
• Contextual Combinatorial Bandits with Probabilistically Triggered Arms [55.9237004478033]
  確率的に誘発される腕(C$2$MAB-T)を様々な滑らかさ条件下で検討した。 トリガー変調 (TPM) 条件の下では、C$2$-UC-Tアルゴリズムを考案し、後悔すべき$tildeO(dsqrtT)$を導出する。
  論文  参考訳（メタデータ） (2023-03-30T02:51:00Z)
• Batch-Size Independent Regret Bounds for Combinatorial Semi-Bandits with Probabilistically Triggered Arms or Independent Arms [59.8188496313214]
  半帯域 (CMAB) について検討し, 半帯域 (CMAB) におけるバッチサイズ (K$) の依存性の低減に着目した。 まず,確率的に引き起こされるアーム(CMAB-T)を用いたCMABの設定に対して,分散を考慮した信頼区間を持つBCUCB-Tアルゴリズムを提案する。 次に,独立アームを用いた非トリガ型CMABの設定に対して,TPVM条件の非トリガ型を利用したSESCBアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-31T13:09:39Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)

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。