論文の概要: Predicted Class Correction: Conformal Thresholds for Classes with No Calibration Data

• arxiv url: http://arxiv.org/abs/2610.25349v1
• Date: Sun, 18 Oct 2026 15:45:13 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:05:11.570147
• Title: Predicted Class Correction: Conformal Thresholds for Classes with No Calibration Data
• Title（参考訳）: 予測クラス補正:校正データのないクラスに対するコンフォーマル閾値
• Abstract要約: クラス条件整合予測は、クラス毎に別々のスコア閾値を校正する。 既存の方法は定義されていないか、共有された限界閾値に戻すかのいずれかです。 そこで,予測クラス補正 (PCC) を提案する。
• 参考スコア（独自算出の注目度）: 16.42016237685914
• License:
• Abstract: Class-conditional conformal prediction calibrates a separate score threshold for every class and therefore requires labelled calibration examples of every class. In long-tailed deployments these are exactly what is missing: rare classes are left with few or no held-out examples, and existing methods are either undefined for them or fall back to the shared marginal threshold. We ask whether the per-class correction can instead be predicted from descriptors of the class that require no labels at all. We propose Predicted Class Correction (PCC), which regresses the offset between the per-class and the marginal conformal quantile on geometric descriptors of the classifier head, shrinks the prediction by a scalar selected on the labelled classes, and refits a single marginal offset. The descriptors depend only on the model's weights, so a class with zero calibration examples still receives its own threshold, and since only one scalar is calibrated, split conformal's marginal guarantee is retained. On ImageNet, PCC improves worst-class coverage on such classes by 0.058 [0.006, 0.110] at matched average set size, 42% of an oracle that sees the test labels. Of eight baselines on the same splits, six change the statistic by exactly zero and the best reaches 0.016 with an interval containing zero, so PCC is the only one distinguishable from no improvement; the gain persists with only 100 labelled classes out of 1000. A second finding concerns evaluation: worst-class coverage becomes unmeasurable before it becomes unachievable. Below roughly 35 test examples per class no improvement can be shown even for an oracle, so a null result there reflects the evaluation set, not the method. Restricting evaluation above this depth recovers a significant improvement on Pl@ntNet-300K, where the effect had appeared absent.
• Abstract（参考訳）: クラス条件整合予測は、各クラスの別々のスコア閾値を校正するので、各クラスのラベル付き校正例を必要とする。 稀なクラスは少数、あるいはまったく持たない例で残され、既存のメソッドは定義されていないか、共有された限界閾値に後退する。 ラベルを全く必要としないクラスの記述子から、クラスごとの修正を予測できるかどうかを問う。 分類器ヘッドの幾何学的記述子上で、クラス毎と境界共形量子のオフセットを回帰し、ラベル付きクラスで選択されたスカラーによる予測を縮小し、単一のマージンオフセットを再構成する予測クラス補正(PCC)を提案する。 ディスクリプタはモデルの重みにのみ依存するため、キャリブレーションの例がゼロのクラスは依然として独自のしきい値を受け取り、1つのスカラーのみをキャリブレーションするので、スプリットコンフォメーションの限界保証は保持される。 ImageNetでは、PCCは、テストラベルを見るオラクルの42%、マッチした平均セットサイズで0.058[0.006, 0.110]で、このようなクラスの最悪のクラスカバレッジを改善している。 同じスプリット上の8つのベースラインのうち、6つの統計量は正確に0に変化し、ベストは0を含む間隔で0.016に達する。 最悪のクラスカバレッジは、達成不可能になる前に計測不可能になる。 以下は、クラス毎の約35のテスト例で、オラクルでも改善は示さないため、nullの結果はメソッドではなく評価セットを反映する。 この深さの制限評価はPl@ntNet-300Kの大幅な改善を回復させる。

関連論文リスト

• The Label Complexity of Class-Conditional Coverage under Distribution Shift [0.614481021961242]
  整形予測は、分類器の予測セットが真理をカバーし、その証明が限界であることを示す。 多くの認識ベンチマークは、分散を評価にシフトさせ、トレーニングとテストの分割に相容れない条件を配置する。 本物のクロステーマのベンチマークでは、限界範囲は90%近く、最悪のクラスは70%程度である。
  論文  参考訳（メタデータ） (2026-07-20T15:54:45Z)
• Conformal Prediction for Class-wise Coverage via Augmented Label Rank Calibration [30.039997048267]
  本稿では,クラス条件カバレッジを実現するための予測セットサイズを削減するために,ランク校正型クラス条件CP(RC3P)アルゴリズムを提案する。 複数の実世界のデータセットの実験により、RC3Pは平均的な予測セットサイズを26.25%削減した。
  論文  参考訳（メタデータ） (2024-06-10T22:01:34Z)
• 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)
• Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
  類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。 クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
  論文  参考訳（メタデータ） (2023-06-15T17:59:02Z)
• Class Prototype-based Cleaner for Label Noise Learning [73.007001454085]
  半教師付き学習法は、雑音ラベル学習問題に対する現在のSOTAソリューションである。 textbfClass textbfPrototype-based label textbfCleaner。
  論文  参考訳（メタデータ） (2022-12-21T04:56:41Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)

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。