Fugu-MT 論文翻訳(概要): CoCoNet: Convex Conformal Network for Multi-Dimensional Uncertainty Regions

論文の概要: CoCoNet: Convex Conformal Network for Multi-Dimensional Uncertainty Regions

arxiv url: http://arxiv.org/abs/2610.24246v1
Date: Fri, 16 Oct 2026 21:19:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-26 02:54:57.310976
Title: CoCoNet: Convex Conformal Network for Multi-Dimensional Uncertainty Regions
Title（参考訳）: CoCoNet:多次元不確かさ領域のための凸コンフォーマルネットワーク
Abstract要約: 本稿では, フレキシブルでデータ適応的な予測領域を誘導する凸整合性スコアを学習するためのCoCoNetを提案する。 CoCoNetは、残差に対して凸性を強制しながら予測領域効率を最適化し、ホールドアウトデータからスコアを学習する。特にCoCoNet$_textICNN$は、効率の面では、30のうち22タスクにランクインしている。
参考スコア（独自算出の注目度）: 13.138864854071768
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Conformal prediction (CP) provides distribution-free coverage guarantees under exchangeability, but the efficiency of its prediction regions depends critically on the choice of the conformity score. This is particularly important in multivariate regression, where dependencies across output dimensions induce complex joint uncertainty structures. This paper introduces CoCoNet (Convex Conformal Network) for learning convex conformity scores that induce flexible, data-adaptive prediction regions. CoCoNet learns the score from held-out data by optimizing prediction-region efficiency while enforcing convexity with respect to the residual. CoCoNet then applies split-conformal calibration to retain finite-sample coverage guarantees. The paper presents two variants of the method: CoCoNet$_{\mathrm{Spline}}$, based on piecewise-linear scores, and CoCoNet$_{\mathrm{ICNN}}$, based on Input Convex Neural Networks. Experiments compare CoCoNet with other CP baselines over synthetic and real-world datasets with output dimensions ranging from 2 to 16. The results demonstrate the flexibility of CoCoNet in learning different response types. Across 8 models and 30 multi-dimensional regression tasks, CoCoNet$_\text{ICNN}$ and CoCoNet$_{\mathrm{Spline}\text{-}\ell_1}$ achieve the best efficiencies with average ranks of 1.45 and 2.75, respectively. In particular, CoCoNet$_\text{ICNN}$ ranks first on 22 tasks out of 30 in terms of efficiency.
Abstract（参考訳）: コンフォーマル予測(CP)は、交換可能性の下では分布のないカバレッジを保証するが、その予測領域の効率は、整合性スコアの選択に大きく依存する。これは多変量回帰において特に重要であり、出力次元間の依存関係は複雑な関節の不確実性構造を引き起こす。本稿では,コンベックス整合性学習のためのCoCoNet(Convex Conformal Network)を提案する。 CoCoNetは、残差に対して凸性を強制しながら予測領域効率を最適化し、ホールドアウトデータからスコアを学習する。 CoCoNetは、有限サンプルカバレッジ保証を維持するために分割等角キャリブレーションを適用する。本稿では,この手法の2つの変種を示す: CoCoNet$_{\mathrm{Spline}}$, CoCoNet$_{\mathrm{ICNN}}$, 入力凸ニューラルネットワークに基づく。実験では、CoCoNetと、合成および実世界のデータセット上の他のCPベースラインを、2から16までの出力ディメンションで比較した。結果は、異なるレスポンスタイプを学習する際のCoCoNetの柔軟性を示している。 8つのモデルと30の多次元回帰タスク、CoCoNet$_\text{ICNN}$とCoCoNet$_{\mathrm{Spline}\text{-}\ell_1}$はそれぞれ1.45と2.75の最高効率を達成する。特に、CoCoNet$_\text{ICNN}$は効率の点で30のうち22タスクにランクインしている。

関連論文リスト

Towards Efficient Convolutional Neural Network for Embedded Hardware via Multi-Dimensional Pruning [14.758436987654504]
畳み込みニューラルネットワーク(CNN)の3次元を協調的にプルーニングする多次元プルーニングフレームワークTECOを提案する。 TECOでは,まず2段階の重要度評価フレームワークを導入し,各刈り取りユニットを効率よく,包括的に評価する。本稿では,CNNの3次元を,精度と効率の最適トレードオフに向けて段階的にプルーニングするアルゴリズムを提案する。
論文参考訳（メタデータ） (2026-07-13T12:27:33Z)
CoNNect: Connectivity-Based Regularization for Structural Pruning [0.0]
CoNNectは、スパースNNトレーニングのための新しい差別化可能なレギュレータである。 CoNNectは、レイヤ崩壊などの問題を回避しながら、最大接続されたネットワーク構造を保証する。
論文参考訳（メタデータ） (2025-02-02T10:32:55Z)
Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文参考訳（メタデータ） (2024-07-26T03:14:13Z)
NeRCC: Nested-Regression Coded Computing for Resilient Distributed Prediction Serving Systems [18.85527080950587]
NeRCCは、近似符号化コンピューティングのための一般的なストラグラー耐性フレームワークである。 NeRCCは、幅広いストラグラーにおける元の予測を正確に近似し、最先端の予測を最大23%上回った。
論文参考訳（メタデータ） (2024-02-06T20:31:15Z)
Filter Pruning For CNN With Enhanced Linear Representation Redundancy [3.853146967741941]
本稿では,CCM-loss という同一層内の異なる特徴写像の相関行列から計算したデータ駆動損失関数の項を示す。 CCM-lossは、L*-ノルム正規化以外に、別の普遍的超越数学的ツールを提供する。新しい戦略では、主にネットワーク内の情報フローの整合性と整合性に注目します。
論文参考訳（メタデータ） (2023-10-10T06:27:30Z)
SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文参考訳（メタデータ） (2022-09-13T12:12:19Z)
Receptive Field-based Segmentation for Distributed CNN Inference Acceleration in Collaborative Edge Computing [93.67044879636093]
協調エッジコンピューティングネットワークにおける分散畳み込みニューラルネットワーク(CNN)を用いた推論高速化について検討する。我々は,CNNモデルを複数の畳み込み層に分割するために,融合層並列化を用いた新しい協調エッジコンピューティングを提案する。
論文参考訳（メタデータ） (2022-07-22T18:38:11Z)
Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。認証精度は5.78%,44.96%,43.19%であった。
論文参考訳（メタデータ） (2020-06-01T05:55:18Z)
ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2020-03-07T02:12:02Z)

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。