論文の概要: MT-CC: Multi-Group Temperature Scaling for Asymmetric Calibration Behavior in Class-Incremental Learning
- arxiv url: http://arxiv.org/abs/2610.25689v1
- Date: Mon, 19 Oct 2026 02:37:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 12:25:25.35983
- Title: MT-CC: Multi-Group Temperature Scaling for Asymmetric Calibration Behavior in Class-Incremental Learning
- Title（参考訳）: MT-CC:クラス増分学習における非対称校正行動のためのマルチグループ温度スケーリング
- Abstract要約: ポストホックキャリブレーションフレームワークであるMT-CC(Multi-Group Temperature Scaling for Continual)を導入する。
我々の重要な貢献は、軽量なグルーピングネットワークを通じて複数の温度パラメータを設計することである。
MT-CCは精度を維持しながら校正性能を著しく向上することを示した。
- 参考スコア（独自算出の注目度）: 15.974134407111558
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As deep neural networks are required to continuously adapt to evolving data, class-incremental learning (CIL) has become an active research area. However, most existing works primarily focus on improving accuracy while overlooking confidence calibration, which measures the trustworthiness of the model's predictions. Although temperature scaling (TS) is effective for static calibration, it has rarely been explored in continual settings where data distributions evolve over time. In this paper, we introduce Multi-Group Temperature Scaling for Continual Calibration (MT-CC), a novel post-hoc calibration framework that addresses the asymmetric calibration behavior in CIL, where the rate of confidence changes does not align with the rate of accuracy degradation across tasks, leading to different levels of miscalibration. Our key contribution is to design multiple temperature parameters through a lightweight grouping network that separates samples by confidence statistics and task-aware signals in CIL. Furthermore, a Groupwise Difference-between-Confidence-and-Accuracy (GDCA) regularization is incorporated to promote intra-group consistency. Experiments demonstrate that MT-CC significantly improves calibration performance while maintaining accuracy, offering a principled framework for reliable continual learning.
- Abstract（参考訳）: 深層ニューラルネットワークは進化するデータに継続的に適応する必要があるため、クラスインクリメンタルラーニング(CIL)は活発な研究領域となっている。
しかし、既存の研究のほとんどは、モデルの予測の信頼性を測る信頼度校正を見越しながら、精度の向上に重点を置いている。
温度スケーリング(TS)は静的キャリブレーションに有効であるが、データ分布が時間とともに進化する連続的な環境ではめったに研究されていない。
本稿では,CILにおける非対称キャリブレーション挙動に対処する新しいポストホックキャリブレーションフレームワークMT-CCを提案する。
我々の重要な貢献は、CILにおける信頼性統計とタスク認識信号によってサンプルを分離する軽量なグループ化ネットワークを通じて、複数の温度パラメータを設計することである。
さらに、グループ間整合性を促進するために、グループ間差分信頼度(GDCA)正則化が組み込まれている。
実験により、MT-CCは精度を維持しながら校正性能を著しく向上し、信頼性のある連続学習のための原則的フレームワークを提供することが示された。
関連論文リスト
- Bridging the Confidence Gap: Temperature Scaling for Calibrating Test-Time Prompt Tuning [33.52650319991838]
テストタイムプロンプトチューニング(TPT)は、単一のテストインスタンスへの適応を可能にし、精度は向上するが、キャリブレーション性能を犠牲にすることが多い。
既存のキャリブレーション手法の多くは、テキスト埋め込み間の分散を促進するために、追加の正規化用語を導入している。
精度を保った簡単なポストホックキャリブレーション法であるCoTSを提案する。
論文 参考訳（メタデータ） (2026-09-15T16:25:48Z) - Quantile Adaptive Temperature Scaling for Confidence Calibration [32.74737063872657]
簡易かつ効率的なポストホックキャリブレーション法であるQuantile Adaptive Temperature Scaling (QaTS)を導入する。
QaTSは校正問題を正規化し、誤校正の構造を明確にし、単調温度関数を可能にする。
モデル予測を変更することなく、信頼性と信頼性の高い信頼度を見積もる。
論文 参考訳（メタデータ） (2026-06-19T21:06:11Z) - Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。
コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。
私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-05T14:48:52Z) - Enhance GNNs with Reliable Confidence Estimation via Adversarial Calibration Learning [30.450482094196243]
優れた予測性能にもかかわらず、GNNは信頼度が低いことがしばしばある。
この問題は、不正検出やリスクアセスメントといった高リスク領域における信頼性に関する懸念を提起する。
本稿では,異なるノード群間のキャリブレーションを適応的に強化する新しいAdvCaliフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-23T23:04:41Z) - Consistency Calibration: Improving Uncertainty Calibration via Consistency among Perturbed Neighbors [22.39558434131574]
モデルキャリブレーションの代替視点として一貫性の概念を導入する。
本稿では,入力間の一貫性に基づいて信頼度を調整する,一貫性(CC)と呼ばれるポストホックキャリブレーション手法を提案する。
また,ロジットレベルでの摂動は計算効率を著しく向上させることを示した。
論文 参考訳（メタデータ） (2024-10-16T06:55:02Z) - Towards Calibrated Deep Clustering Network [60.71776081164377]
ディープクラスタリングでは、特定のクラスタに属するサンプルに対する推定信頼度はその実際の予測精度を大きく上回る。
推定された信頼度と実際の精度を効果的にキャリブレーションできる新しいデュアルヘッド(キャリブレーションヘッドとクラスタリングヘッド)深層クラスタリングモデルを提案する。
提案したキャリブレーション深層クラスタリングモデルでは, キャリブレーション誤差の予測値において, 最先端の深部クラスタリング手法を平均5倍に越えるだけでなく, クラスタリング精度も大幅に向上する。
論文 参考訳（メタデータ） (2024-03-04T11:23:40Z) - Threshold-Consistent Margin Loss for Open-World Deep Metric Learning [42.03620337000911]
画像検索にDeep Metric Learning (DML) で使われている既存の損失は、しばしば非均一なクラス内およびクラス間表現構造に繋がる。
不整合はしばしば、商用画像検索システムを展開する際のしきい値選択過程を複雑にする。
クラス間の動作特性の分散を定量化するOPIS(Operating-Point-Inconsistency-Score)と呼ばれる,新しい分散に基づく尺度を提案する。
論文 参考訳（メタデータ） (2023-07-08T21:16:41Z) - Calibration of Neural Networks [77.34726150561087]
本稿では,ニューラルネットワークの文脈における信頼性校正問題について調査する。
我々は,問題文,キャリブレーション定義,評価に対する異なるアプローチについて分析する。
実験実験では、様々なデータセットとモデルをカバーし、異なる基準に従って校正方法を比較する。
論文 参考訳（メタデータ） (2023-03-19T20:27:51Z) - Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。
入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。
CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
論文 参考訳（メタデータ） (2022-07-13T14:13:49Z) - Parameterized Temperature Scaling for Boosting the Expressive Power in
Post-Hoc Uncertainty Calibration [57.568461777747515]
我々は新しいキャリブレーション手法であるパラメタライズド温度スケーリング(PTS)を導入する。
最新のポストホックキャリブレータの精度保持性能は、その本質的な表現力によって制限されることを実証します。
当社の新しい精度保存手法が,多数のモデルアーキテクチャやデータセット,メトリクスにおいて,既存のアルゴリズムを一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-24T10:18:30Z)
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。