論文の概要: Selection-Safe Conformal Early Exit: Distribution-Free Coverage under Adaptive Depth

• arxiv url: http://arxiv.org/abs/2610.20773v1
• Date: Wed, 14 Oct 2026 18:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.012358
• Title: Selection-Safe Conformal Early Exit: Distribution-Free Coverage under Adaptive Depth
• Title（参考訳）: 選択安全コンフォーマル早期退避:適応深さ下での分布自由被覆
• Abstract要約: 各アーリーエグジットに設定された共形予測の校正は、データ依存エグジットが選択されると、カバレッジを保存しない。 我々は、プレフィックスの最大値から1つの端末パススコアを構築し、単一の分割型量子化をキャリブレーションし、すべての有効な端末セットを含むネスト付きプレフィックスセットを返す。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Calibrating a conformal prediction set at each early exit does not preserve coverage once a data-dependent exit is selected. We construct one terminal path score from prefix maxima, calibrate a single split-conformal quantile, and return nested prefix sets that all contain the valid terminal set. The guarantee is selection-safe without an alpha/L correction and holds simultaneously for every post-calibration label-free stopping policy that preserves terminal-set containment. We also bound the efficiency cost of the path maximum by the empirical tail of the early-over-terminal score excess. Across eight encoder task-backbone cells, pathwise selection attains macro coverage 0.901 versus 0.814 for naive layerwise selection, with average set size 1.41 and latency fraction 0.71. On CIFAR-100 with a 24-exit ViT-L/16 (n_cal=500), first-eligible stopping at budget b=4 attains coverage 0.902, set size 2.76, and latency fraction 0.57, and the same calibration supports deployment-time budget changes without refitting. In a joint exit-count/calibration-size sweep at n=100, pathwise set size moves only from 3.02 to 3.11 as exits increase from 4 to 24, while Bonferroni degenerates to the full label space for 12 or more exits. Paired comparison against MinSE valid selection at (n,L)=(100,24) gives a set-size difference of 0.80 [0.47, 1.13]. Full-vocabulary decoder experiments remain a negative boundary, with sets of 7,162-9,620 tokens. Pathwise calibration is most useful when candidate exits are many relative to calibration size, when budgets change after calibration, and when shallow heads return actionable sets.
• Abstract（参考訳）: 各アーリーエグジットに設定された共形予測の校正は、データ依存エグジットが選択されると、カバレッジを保存しない。 我々は、プレフィックスの最大値から1つの端末パススコアを構築し、単一の分割型量子化をキャリブレーションし、すべての有効な端末セットを含むネスト付きプレフィックスセットを返す。 保証は、アルファ/L補正なしで選択安全であり、端末セットの封じ込めを保ったキャリブレーション後のラベルなしの停止ポリシーを同時に保持する。 また,初期終末スコア超過の実証的テールにより,経路最大化の効率コストを制限した。 8つのエンコーダタスクバックボーンセルにまたがって、パスワイド選択は、平均セットサイズ 1.41 と遅延分率 0.71 で、階層選択において、マクロカバレッジ 0.901 対 0.814 を達成する。 24exit ViT-L/16 (n_cal=500)のCIFAR-100では、予算b=4での1次許容停止は、カバレッジ0.902、設定サイズ2.76、遅延率0.57に達し、同じキャリブレーションは、修正することなく、デプロイ時の予算変更をサポートする。 n=100の合同出口数/校正サイズスイープでは、出口が4から24に増加するにつれて、パスワイズセットのサイズは3.02から3.11にしか変化せず、ボンフェロニは12以上の出口でフルラベル空間に縮退する。 n,L)=(100,24)でのMinSEの有効選択に対するペア比較は、0.80[0.47, 1.13]のセットサイズ差を与える。 フルボキャブラリーデコーダの実験は7,162-9,620個のトークンからなる負の境界のままである。 パスワイズ・キャリブレーションは、候補出口がキャリブレーションサイズに比例することが多い場合、キャリブレーション後に予算が変わる場合、浅いヘッドが作動可能なセットを返す場合、最も有用である。

関連論文リスト

• Decision-FLIP: Budget-Free Structured Pruning for Gaussian Occupancy Models [0.0]
  Decision-FLIPは、無償のコンパイルフレームワークである。 読み出しから行が削除されたときに変化するvoxel argmax決定数によって、各永続行をスコアする。 ストリーミングバンクでは、各行のライフサイクルを通じて、ワープ、デス、リフィルを通じてスコアが統合される。
  論文  参考訳（メタデータ） (2026-10-14T20:48:09Z)
• TileSkipper: Region-Adaptive Tile Pruning for 3D Gaussian Splatting [60.48772713715659]
  TileSkipperは凍結チェックポイントに対して、ガウス単位の静的カットオフポリシーを選択する。 Mip-NeRF 360、Tants & Temples、Deep Blendingの13のシーンで、固定政治のAccuTileスイープは、標準解像度で1.088times$、幅で1.238times$3840Pixelsというデータセットとマクロのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-10-07T03:01:51Z)
• One-Step Curvature Probes Miss the Fitting Operator: Retained Capacity and Terminal Null-Space Correction for Continual Learning [0.9558392439655014]
  1ステップの曲率プローブが初期方向を評価するのに対し、連続学習者は同等の新しいタスク適合度に達した後に判断される。 端末の旧タスク二次比は1/[c_P(r)G_rm end(P,r)]$と分解され、$G_rm end$はエンドポイント方向に沿って曲率を比較する。 終端二次性はまた、曲率最適嵌合床とアルゴリズム依存のヌル空間過剰とを分離し、終端ヌル空間補正を動機とする。
  論文  参考訳（メタデータ） (2026-10-02T19:10:07Z)
• The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
  本研究は, ベットによる検査に基づく漏洩検出について検討する。 13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
  論文  参考訳（メタデータ） (2026-09-27T14:14:10Z)
• What Input Resolution Is Required for Bird Species Identification, and What Is Its Latency Cost on an Edge Device? A Study of 14 Input Resolutions and Six Architectures with On-Device Measurements [0.060917028769172786]
  風力発電所における鳥害の軽減には、数万ピクセルにしか及ばない遠方の鳥を識別する必要がある。 14側長さのN(16～224),6つのアーキテクチャ,2つのトレーニング・評価体制,30個のランダムシードを用いて検討した。
  論文  参考訳（メタデータ） (2026-09-13T02:52:42Z)
• The Filter Metric is Safety-Critical: Phantom Advantages in Group-Relative RL under Shaped Rewards [1.667501390377158]
  グループ相対的なポリシー最適化は、動的サンプリングによって非コントラストのロールアウトグループを捨てることができる。 我々は,複合形状の報酬の下で,計量述語ミスマッチを同定し,定量化する。
  論文  参考訳（メタデータ） (2026-09-12T10:36:55Z)
• TransNormal-2: Geometry-Grounded Rectified Flow with Edge-Aware Decoding for Precise Normal Estimation [33.16284424429254]
  TransNormal-2はFLUX.2ベースの修正フローフレームワークである。 トレーニング中に潜伏予測がどのように教師されるか、そして推論によって復号された正規値がどのように修正されるかを示す。 一般的なベンチマークでは、TransNormal-2はMoGe-2と一致または超過するが、タスク固有の通常のアノテーションの1.4%しか使用していない。
  論文  参考訳（メタデータ） (2026-09-06T15:15:43Z)
• Envs-FORGE: Frontier-Optimized Reward-Grounded Environment Synthesis for Agent RL [31.348699617272732]
  Envs-FORGEは、検証者報酬を種ごとの環境合成アクションに変換するプロンプトポリシーである。 シードパス率を推定し、ターゲット学習フロンティア周辺で6つのプロジェクション指向アクションをスコアし、シードごとの混合整数線形プログラムを解決する。 すべての合成法は100個の認証された環境を輸出し、2.27M-2.88M合成トークンを使用する。
  論文  参考訳（メタデータ） (2026-08-14T13:54:22Z)
• When Compression Scores Cannot Decide: Information Boundaries for Group-Robust LLM Pruning [2.8699714648237387]
  密度の高い調査では、分割半信頼パス四分法スコアは16.1%上昇し、選択されたエンドポイントは2つの制御よりも6.0-7.7%低下した。 我々は、最も供給の悪いグループがいつデプロイに気を配るのか、圧縮統計が正当化できるものは何なのかを尋ねる。
  論文  参考訳（メタデータ） (2026-08-03T23:07:29Z)
• Adaptive Calibration in Non-Stationary Environments [44.81344039432424]
  複数のキャリブレーション対策の下で適応的なキャリブレーション保証を実現するアルゴリズムの組を開発する。 我々の手法は先行研究(Hu et al., 2026, Luo et al., 2025)の上に構築され、基礎となる基底真理付近でより微細な分解を割り当てる予測空間の非一様分割を導入する。
  論文  参考訳（メタデータ） (2026-05-12T04:06:40Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)

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。