論文の概要: Class-Conditional Conformal Prediction for Signal Temporal Logic Inference with Many Classes

• arxiv url: http://arxiv.org/abs/2610.14352v1
• Date: Fri, 09 Oct 2026 21:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 22:01:13.703144
• Title: Class-Conditional Conformal Prediction for Signal Temporal Logic Inference with Many Classes
• Title（参考訳）: 多くのクラスを用いた信号時相論理推論のためのクラス連続等角予測
• Abstract要約: 本稿では,必要式に対する満足度と完全クラスコードワードとの整合性を定量化するために,肯定的な満足度率とコードワード満足度率を導入する。 そこで我々は,まず利得に基づく目的量を用いて識別式を学習し,その後,小さな正のロバスト性目標に向けて述語しきい値を洗練する2段階の手順を開発した。
• 参考スコア（独自算出の注目度）: 13.843989967082031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal Temporal Logic (STL) inference provides interpretable formulas for time series classification. For multiclass classification, however, accurate predictions do not necessarily ensure that the inferred formulas are satisfied consistently with the true class. We introduce the positive satisfaction rate and codeword satisfaction rate to quantify satisfaction of required formulas and consistency with the complete class codeword, respectively. We develop a two-stage procedure that first learns discriminative formulas using a margin-based objective and then refines predicate thresholds toward a small positive robustness target while fixing the formula structure and temporal intervals. Satisfaction and ranking penalties discourage violations of required formulas and loss of class separation. The decoding loss is used as a nonconformity score and calibrated separately for each class, providing finite-sample class-conditional coverage under intra-class exchangeability. Experiments on naval, synthetic, and robot manipulation trajectories demonstrate discrepancies between classification accuracy and formula satisfaction. The results further reveal a data-dependent tradeoff between robustness tightness and satisfaction, while class-conditional calibration mitigates undercoverage that can be hidden by pooled calibration.
• Abstract（参考訳）: Signal Temporal Logic (STL) 推論は時系列分類のための解釈式を提供する。 しかし、マルチクラス分類の場合、正確な予測は必ずしも推論された公式が真のクラスと一貫して一致することを保証しない。 本稿では,必要式に対する満足度と完全クラスコードワードとの整合性を定量化するために,肯定的な満足度率とコードワード満足度率を導入する。 そこで我々は,まず差分に基づく目的量を用いて識別式を学習し,その後,定式構造と時間間隔を固定しながら,小さな正のロバスト性目標に向けて予測しきい値を洗練する2段階の手順を開発した。 満足と格付けの罰則は、要求された公式の違反と階級分離の喪失を回避している。 復号化損失は非整合スコアとして使用され、各クラスごとに個別に校正され、クラス内交換性の下で有限サンプルのクラス条件カバレッジを提供する。 海軍、合成、ロボット操作の軌道実験は、分類精度と式満足度との相違を実証している。 さらに, クラス条件のキャリブレーションは, プールキャリブレーションによって隠蔽されるアンダーカバーを緩和する一方, 強靭性と満足度との間のデータ依存的なトレードオフを明らかにした。

関連論文リスト

• Isotonic Conformal Prediction [1.0499611180329804]
  信頼性のある不確実性定量化の目的として,自己校正と予測条件妥当性の2つを考察する。 自己キャリブレーション・コンフォーマル予測は、両方の目的を有限サンプルで正確に達成するが、全ての候補結果に対してキャリブレータを調整する必要がある。 予測セットの構成からキャリブレーションを分離するフレームワークである等速等角予測(ICP)を提案する。
  論文  参考訳（メタデータ） (2026-07-18T07:11:05Z)
• Continual Calibration: Coverage Can Collapse Before Accuracy in Lifelong LLM Fine-Tuning [6.908972852063454]
  不確実性信頼性は、トップ1のパフォーマンスよりも早く、より急激に低下する可能性がある。 逐次微調整モデル上での共形被覆と校正誤差を計測し,これを実証的に検討する。 タスク固有のバッファを保持し,タスク固有の整合しきい値に適合する軽量なポストホックプロシージャであるキャリブレーション・リプレイを提案する。
  論文  参考訳（メタデータ） (2026-04-27T03:03:38Z)
• Conformal Prediction for Signal Temporal Logic Inference [13.843989967082031]
  信号時間論理(STL)推論は時系列データから人間の解釈可能な規則を抽出しようとする。 既存のメソッドには、推論されたルールに対する正式な信頼性保証がない。 STL推論のためのエンドツーエンドの差別化可能なCPフレームワークを導入し、信頼性と解釈性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-09-29T20:25:02Z)
• Deep Imbalanced Regression via Hierarchical Classification Adjustment [50.19438850112964]
  コンピュータビジョンにおける回帰タスクは、しばしば、対象空間をクラスに定量化することで分類される。 トレーニングサンプルの大多数は目標値の先頭にあるが、少数のサンプルは通常より広い尾幅に分布する。 不均衡回帰タスクを解くために階層型分類器を構築することを提案する。 不均衡回帰のための新しい階層型分類調整(HCA)は,3つのタスクにおいて優れた結果を示す。
  論文  参考訳（メタデータ） (2023-10-26T04:54:39Z)
• Shrinking Class Space for Enhanced Certainty in Semi-Supervised Learning [59.44422468242455]
  そこで我々はShrinkMatchと呼ばれる新しい手法を提案し、不確実なサンプルを学習する。 それぞれの不確実なサンプルに対して、元の Top-1 クラスを単に含むスランク類空間を適応的に求める。 次に、スランク空間における強と弱に強化された2つのサンプル間の整合正則化を課し、識別的表現を試みます。
  論文  参考訳（メタデータ） (2023-08-13T14:05:24Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Mitigating Catastrophic Forgetting in Task-Incremental Continual Learning with Adaptive Classification Criterion [50.03041373044267]
  本稿では,継続的学習のための適応型分類基準を用いた教師付きコントラスト学習フレームワークを提案する。 実験により, CFLは最先端の性能を達成し, 分類基準に比べて克服する能力が強いことが示された。
  論文  参考訳（メタデータ） (2023-05-20T19:22:40Z)
• Benign Overfitting in Linear Classifiers and Leaky ReLU Networks from KKT Conditions for Margin Maximization [59.038366742773164]
  ロジスティック損失の勾配流によって訓練された線形および漏洩ReLUは、KKT条件を満たすための暗黙の偏りを持つ。 本研究では、線形分類器や2層リークReLUネットワークにおいて、これらの条件の満足度が良性オーバーフィットを意味するような設定を多数確立する。
  論文  参考訳（メタデータ） (2023-03-02T18:24:26Z)

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。