Fugu-MT 論文翻訳(概要): COVER: Learning to Accept More in Selective Sleep Staging

論文の概要: COVER: Learning to Accept More in Selective Sleep Staging

arxiv url: http://arxiv.org/abs/2610.03911v1
Date: Fri, 02 Oct 2026 18:17:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-13 04:28:58.425427
Title: COVER: Learning to Accept More in Selective Sleep Staging
Title（参考訳）: COVER:選択的な睡眠状態を改善するための学習
Abstract要約: COVER(COVerage-oriented Error Ranking)は2つの重要なイノベーションを統合している。補助的インフォームド・プライマリエラー学習は、最大ソフトマックス確率(MSP)を学習エラースコアに置き換える。固定スケールスコアリファインメントはこのスコアに基づいて構築され、経験的な許容リスク制約の下でカバレッジを直接最大化する。
参考スコア（独自算出の注目度）: 4.655174147216799
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Traditional sleep-staging methods apply the same model to every EEG epoch. Such uniform deployment expends computation on epochs that a smaller model could handle reliably, motivating cascades in which a primary classifier accepts its reliable predictions and defers the remainder to a more capable model. In this paper, we study the first stage of such a cascade: maximizing the coverage of fixed primary predictions subject to a prescribed accepted-risk target. We propose COVER (COVerage-oriented Error Ranking), which integrates two key innovations: (i) auxiliary-informed primary-error learning, which replaces maximum softmax probability (MSP) with a learned error score while preserving the primary labels, and (ii) fixed-scale scorer refinement, which builds on this score to directly maximize coverage under an empirical accepted-risk constraint rather than error-prediction accuracy over all epochs. We evaluate COVER on Sleep-EDF-20 at a 5% accepted-risk target, with subjects held out from all fitting and selection. Auxiliary-informed error learning raises mean subject coverage from 31.5% for MSP to 48.8% at similar subject-equal risk. At equal acceptance volume, with MSP accepting the same number of epochs as the learned scorer in each subject (20,639 in total), errors fall from 1,467 to 867. Fixed-scale refinement then adds 1.7 percentage points of coverage over its initialization in nested development, and COVER attains the highest mean coverage among eight evaluated scorers, 50.4% at 4.5% subject-equal risk, above the selective-ranking baseline SELE (49.3%) and the probability-fusion comparator DuoF (43.6%). To the best of our knowledge, this is the first work to combine auxiliary-informed primary-error learning with fixed-scale coverage refinement for selective sleep staging, offering a basis for reliability-aware allocation of computation in cascaded sleep staging.
Abstract（参考訳）: 従来の睡眠安定法は、すべての脳波エポックに同じモデルを適用する。このような一様配置は、より小さなモデルで確実に処理できるエポックな計算を拡張し、プライマリ分類器がその信頼性の高い予測を受け入れ、残りのモデルをより有能なモデルにフェールさせるカスケードを動機付けている。本稿では,そのようなカスケードの第1段階について,所定の許容リスク対象に対する固定された一次予測のカバレッジを最大化する。 2つの重要なイノベーションを統合するCOVER(COVerage-oriented Error Ranking)を提案する。一一次ラベルを保存しつつ、最大ソフトマックス確率(MSP)を学習誤差スコアに置き換えた補助的インフォームド・プライマリエラー学習 (II) 固定スケールスコアラーの改良は、全てのエポック上での誤差予測精度ではなく、経験的許容リスク制約の下でのカバレッジを直接最大化する。本研究は, 睡眠時EDF-20のCOVERを5%のリスク目標で評価した。補助的インフォームド・エラー・ラーニングは、MSPが31.5%から48.8%に上昇する。 MSPは各被験者の学習スコアと同じエポック数を受け入れ(合計20,639)、誤りは1,467から867に減少する。固定スケールの改良により、ネスト開発における初期化に関して1.7パーセントのカバレッジが増加し、COVERは8人の評価スコアのうち最も高い平均カバレッジを達成し、50.4%が被験者平等リスクで、選択基準のSELE (49.3%) と確率融合コンパレータDuoF (43.6%) を上回っている。我々の知る限り、これは補助的インフォームド・プライマリエラー学習と選択的睡眠ステージングのための固定スケールカバレッジ改善を組み合わせた最初の研究であり、カスケード睡眠ステージングにおける計算の信頼性に配慮したアロケーションの基盤を提供する。

関連論文リスト

Signed Lexical Confidence for Risk-Calibrated Intent Routing [0.15293427903448023]
文分類器のロジットマージンとスパース語彙モデルの予測意図に対するサポートを結合した符号付き語彙ゲートを導入する。正の証拠を語彙的合意に割り当て、負の証拠を語彙的に好意的に競合する意図に割り当てることにより、ゲートは符号のない語彙的信頼またはハード・コンセンサス・ルールよりも多くの情報を保持する。提案機能では,テスト済みの語彙信頼機能よりも平均エラーランキングが向上し,バイナリ契約よりもデータセットに依存したゲインが得られた。
論文参考訳（メタデータ） (2026-09-24T07:06:22Z)
When Calibration Fails the Vulnerable Hospital: Federated Conformal Risk Control via Risk-Curve Shrinkage [0.0]
コンフォーマルリスク制御(CRC)は、セグメンテーション品質の分布自由保証を提供する。フェデレートされたデプロイメントでは、標準的なアプローチは、サイト間でキャリブレーションスコアを単一のしきい値にプールする。この単純プール型CRCは平均的な病院を保護しているが、個々の施設の40%はカバー範囲に違反している。
論文参考訳（メタデータ） (2026-06-18T11:39:44Z)
Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文参考訳（メタデータ） (2026-06-03T17:06:49Z)
Error-Decomposed Class-Conditional Fusion for Statistically Guaranteed Hard-Category Robust Perception [3.4563147061792527]
本稿では,この普及する脆弱性をHCRP(Hard-Category Reliability Problem)として公式に定義する。本稿では,エレガントな決定層推論フレームワークであるED-CCFを提案する。
論文参考訳（メタデータ） (2026-05-17T18:39:05Z)
CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文参考訳（メタデータ） (2025-10-02T02:14:33Z)
How to Fix a Broken Confidence Estimator: Evaluating Post-hoc Methods for Selective Classification with Deep Neural Networks [1.4502611532302039]
我々は,ロジットの単純な$p$-norm正規化を行い,次に最大ロジットを信頼度推定器とすることで,選択的分類性能が著しく向上することを示した。我々の結果は、分布シフトの下で一貫していることが示されている。
論文参考訳（メタデータ） (2023-05-24T18:56:55Z)
(Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文参考訳（メタデータ） (2022-06-21T17:27:27Z)
Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文参考訳（メタデータ） (2020-10-15T16:14:27Z)
Certifying Confidence via Randomized Smoothing [151.67113334248464]
ランダムな平滑化は、高次元の分類問題に対して良好な証明されたロバスト性を保証することが示されている。ほとんどの平滑化法は、下層の分類器が予測する信頼性に関する情報を与えてくれない。そこで本研究では,スムーズな分類器の予測信頼度を評価するために,認証ラジイを生成する手法を提案する。
論文参考訳（メタデータ） (2020-09-17T04:37:26Z)

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。