論文の概要: CalCErt: Bin-wise Certification of Confidence Calibration in Medical Image Classification

• arxiv url: http://arxiv.org/abs/2610.03142v1
• Date: Fri, 02 Oct 2026 11:07:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.340385
• Title: CalCErt: Bin-wise Certification of Confidence Calibration in Medical Image Classification
• Title（参考訳）: CalCErt: 医用画像分類における信頼性校正の2段階認証
• Abstract要約: 事前訓練された微分可能な分類器に対して、二項信頼度校正を認証する簡易かつ効率的なポストホック戦略であるCalCErtを導入する。 提案手法は, 実験的なキャリブレーション推定, 統計的濃度境界, および信頼関数の局所リプシッツ推定を組み合わせ, 最悪の場合の誤校正に関するデータ依存上界を導出する。 我々はCalCErtを11の医用画像分類タスクと複数対向摂動タスクで評価し、ベースライン戦略よりもかなり高い認定範囲を実証した。
• 参考スコア（独自算出の注目度）: 13.023189845532464
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep neural networks remain vulnerable to adversarial perturbations, which can distort not only predictions but also confidence scores, undermining uncertainty calibration. While existing certification methods focus on preserving the predicted category, providing guarantees on how calibration behaves under adversarial attacks remains overlooked. In this work, we introduce CalCErt, a simple and efficient post-hoc strategy that certifies bin-wise confidence calibration for any pretrained differentiable classifier. Our approach combines empirical calibration estimates, statistical concentration bounds, and local Lipschitz estimates of the confidence function to derive data-dependent upper bounds on worst-case miscalibration within an $ell_2$-ball of radius R. We evaluate CalCErt across 11 medical image classification tasks and multiple adversarial perturbations, demonstrating substantially higher certified coverage than baseline strategies while maintaining competitive tightness. Our code is available at https://github.com/leofillioux/calcert.
• Abstract（参考訳）: 深いニューラルネットワークは敵の摂動に弱いままであり、予測だけでなく信頼性スコアも歪め、不確実性の校正を損なう。 既存の認証方法は予測されたカテゴリの保存に重点を置いているが、敵の攻撃下でのキャリブレーションの振る舞いの保証は見過ごされ続けている。 本研究では,任意の事前学習可能な微分分類器に対して,二項信頼度校正を認証する簡易かつ効率的なポストホック戦略であるCalCErtを紹介する。 提案手法は実験的なキャリブレーション推定,統計的濃度境界,および局所リプシッツ推定を組み合わさり, 最低ケースの誤校正におけるデータ依存上界を半径Rの$ell_2$-ballで導出する。 私たちのコードはhttps://github.com/leofillioux/calcert.comから入手可能です。

関連論文リスト

• Expectation Consistency Loss: Rethink Confidence Calibration under Covariate Shift [7.333172294727063]
  一般的な信頼性校正法は、トレーニングとテストデータは独立で、同一に分散されていると仮定する。 本稿では、対象領域の信頼性を校正するために、教師なし領域適応損失を提案する。 予測誤差 (ECE) と同一のサンプル量を持つECL損失を計算し, ECL損失に対する理論的根拠付きミニバッチトレーニング可能なスキームを提供する。
  論文  参考訳（メタデータ） (2026-05-20T11:45:39Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Uncertainty-Aware Post-Hoc Calibration: Mitigating Confidently Incorrect Predictions Beyond Calibration Metrics [6.9681910774977815]
  本稿では、校正品質と不確実性を考慮した意思決定を向上させるためのポストホック校正フレームワークを提案する。 校正基準,不確実性認識性能測定,実証的コンフォメーションカバレッジを用いて総合評価を行った。 実験により,提案手法はイソトニックおよび焦点損失ベースラインと比較して,信頼性の低い予測精度と競合予測誤差を実現することが示された。
  論文  参考訳（メタデータ） (2025-10-19T23:55:36Z)
• Deep Neural Network Calibration by Reducing Classifier Shift with Stochastic Masking [24.347895497146876]
  ディープニューラルネットワーク(DNN)は、特に自律運転やヘルスケアといった安全上重要なシナリオにおいて、キャリブレーションの低下に悩まされることが多い。 そこで本稿では,マスクを用いたキャリブレーション手法であるMaC-Calを提案する。 MaC-Calはデータ破損時のキャリブレーション性能とロバスト性に優れる。
  論文  参考訳（メタデータ） (2025-08-12T17:50:23Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Model Calibration in Dense Classification with Adaptive Label Perturbation [44.62722402349157]
  既存の密接な二分分類モデルは、過信される傾向がある。 本稿では,各トレーニング画像に対する独自のラベル摂動レベルを学習する適応ラベル摂動(ASLP)を提案する。 ASLPは、分布内および分布外の両方のデータに基づいて、密度の高い二分分類モデルの校正度を著しく改善することができる。
  論文  参考訳（メタデータ） (2023-07-25T14:40:11Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。