論文の概要: SpatialUQ: Post-Hoc Uncertainty Quantification from Spatial Consistency in Black-Box Vision Models
- arxiv url: http://arxiv.org/abs/2610.09498v1
- Date: Wed, 07 Oct 2026 05:53:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.744029
- Title: SpatialUQ: Post-Hoc Uncertainty Quantification from Spatial Consistency in Black-Box Vision Models
- Title（参考訳）: SpaceUQ:ブラックボックスビジョンモデルにおける空間的一貫性からのポストホック不確実性定量化
- Abstract要約: 臨床視覚モデルはしばしば、推論時に内部、再訓練、地上の真実にアクセスできない凍結したブラックボックスとして展開される。
出力確率のみを用いたポストホック不確実性手法である textbfSpatialUQ を導入する。
- 参考スコア（独自算出の注目度）: 6.779317726899554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical vision models are often deployed as frozen black boxes with no access to internals, retraining, or ground truth at inference time. We introduce \textbf{SpatialUQ}, a post-hoc uncertainty method using only output probabilities. It measures the Jensen-Shannon divergence between the global prediction and the mean of five fixed spatial crops in six deterministic forward passes. The premise is simple, trustworthy predictions are spatially consistent. On NIH ChestX-ray14 (DenseNet-121, $N{=}25{,}596$), our Multicrop Uncertainty Score (MUS) reaches $0.784$ failure-detection AUC versus $0.664$ for MC-Dropout ($p{<}10^{-6}$) at one-fifth the compute, with native calibration ($\text{SCE}{=}0.049$ vs.\ $0.127$ for $\ell_1$), the best-calibrated among methods above 0.78 AUC. A supervised fusion of MUS with entropy, confidence, and $\ell_1$ reaches $0.832$, outperforming a five-member ensemble ($0.813$). MUS scales with model quality, reaching $0.899$ with BiomedCLIP ($ρ= 0.846$), while this relationship remains meaningful in-distribution ($ρ= 0.523$) but breaks down under severe distribution shift (VinBigData, $ρ= 0.027$). MUS is well-suited to diffuse findings but is less dependable for small focal lesions such as nodules. Code and experimental materials are publicly available at https://huggingface.co/datasets/kawsher11/SpatialUQ.
- Abstract（参考訳）: 臨床視覚モデルはしばしば、推論時に内部、再訓練、地上の真実にアクセスできない凍結したブラックボックスとして展開される。
本稿では,出力確率のみを用いたポストホック不確実性法である \textbf{SpatialUQ} を紹介する。
これは、大域的予測と6つの決定論的前方通過における5つの固定された空間的作物の平均との間のジェンセン・シャノンのばらつきを測定する。
前提は単純で、信頼できる予測は空間的に一貫したものである。
NIH ChestX-ray14 (DenseNet-121, $N{=}25{,}596$) では、Multicrop Uncertainty Score (MUS) が 0.784$ 障害検出 AUC に対して $0.664$ MC-Dropout ($p{<}10^{-6}$) が 1 分の1で、ネイティブキャリブレーション$\text{SCE}{=}0.049$ となる。
$0.127$ for $\ell_1$ は 0.78 AUC を超えるメソッドの中で最高の校正値である。
MUSのエントロピー、信頼、および$\ell_1$の監督された融合は0.832$に達し、5員のアンサンブル(0.813$)を上回った。
MUSはモデル品質でスケールし、BiomedCLIP(ρ=0.846$)で0.899ドルに達する。
MUSはびまん性所見に好適であるが,結節などの小さな局所病変への依存度は低い。
コードと実験資料はhttps://huggingface.co/datasets/kawsher11/SpatialUQ.comで公開されている。
関連論文リスト
- Certified Approximation for Interpretable Representer Landmarks [7.769050475854741]
大規模では、このランク付けは経験的ニューラルネットワークカーネル(eNTK)の最大4つの重ねた近似に基づいている。
スケッチされたマルチヘッド eNTK の正確なばらつきは、Johnson-Lindenstrauss が err で最大$2.5times$ の値に一致する。
これにより、固定係数に適合する確率の高い最高額のK$証明書と、捨てられたスペクトル質量の正確な残留トレース証明書が得られる。
論文 参考訳（メタデータ） (2026-09-30T03:49:20Z) - CORE-STACK+: Meta-Learning for Deep Stacked Generalization [0.0]
スタックングヘテロジニアス視覚バックボーン(CNN、ViT、ハイブリッド)は、精度、校正、堅牢性のデファクトレシピである。
予測空間の多重コリンはメタラーナーのグラム行列を悪条件にし、重みの分散を膨らませ、薄い多様体上の脆い解を生成する。
ECEは、ホック後の温度スケーリングなしでディープアンサンブルよりも2.1タイムスで改善している。
論文 参考訳（メタデータ） (2026-09-22T18:03:36Z) - How Wrong Can a Good Predictor Be? Diverging Updates with Vanishing Predictive KL [8.929322780616545]
更新写像の間の非有界なギャップは、定常対称ガウス HMM において、固定有限$Kge2$ に対して消滅する予測的 KL と共存することができる。
この構成は$K$で固定されており、圧縮が無害である場合や内部のギャップがタスク損失を発生させる必要がある場合の普遍的な基準を提供していない。
論文 参考訳（メタデータ） (2026-09-10T06:22:53Z) - Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳（メタデータ） (2026-05-09T22:27:31Z) - High-Probability Convergence in Decentralized Stochastic Optimization with Gradient Tracking [69.90407799170687]
分散最適化における高確率収束保証について検討する。
その結果, 地平線上の条件は, 比較時間と同一であることがわかった。
論文 参考訳（メタデータ） (2026-04-30T22:45:21Z) - Hardware Validation of DAGI via a Modular "Ridge" Signature and High-Order Synergistic Information [0.0]
IBM Quantumハードウェア上でのDAGI(Directed Acyclic Graph Information)フレームワーク。
理想的な出力分布が低次元モジュラー多様体(リッジ)に制約される小さな制御された実験
キーリカバリはチャンスを超えた:ショット毎の精度0.1689(チャンス0.125,95% Wilson CI[0.1610, 0.1772])
これらの結果は、DAGIが非自明でハードウェアに耐性のある情報構造を検出し、定量化するという主張を支持する。
論文 参考訳（メタデータ） (2026-04-16T14:16:59Z) - Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。
本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。
Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
論文 参考訳（メタデータ） (2025-12-14T09:43:03Z) - FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
$mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。
提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
論文 参考訳（メタデータ） (2023-10-10T16:39:47Z) - The Sample Complexity of Robust Covariance Testing [56.98280399449707]
i. i. d.
形式 $Z = (1-epsilon) X + epsilon B$ の分布からのサンプル。ここで $X$ はゼロ平均で未知の共分散である Gaussian $mathcalN(0, Sigma)$ である。
汚染がない場合、事前の研究は、$O(d)$サンプルを使用するこの仮説テストタスクの単純なテスターを与えた。
サンプル複雑性の上限が $omega(d2)$ for $epsilon$ an arbitrarily small constant and $gamma であることを証明します。
論文 参考訳（メタデータ） (2020-12-31T18:24:41Z) - Curse of Dimensionality on Randomized Smoothing for Certifiable
Robustness [151.67113334248464]
我々は、他の攻撃モデルに対してスムースな手法を拡張することは困難であることを示す。
我々はCIFARに関する実験結果を示し,その理論を検証した。
論文 参考訳（メタデータ） (2020-02-08T22:02:14Z)
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。