論文の概要: CARM: Conformal Adaptive Risk Masking for Reliable Scientific Super-Resolution
- arxiv url: http://arxiv.org/abs/2611.06151v1
- Date: Wed, 04 Nov 2026 08:32:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.028056
- Title: CARM: Conformal Adaptive Risk Masking for Reliable Scientific Super-Resolution
- Title（参考訳）: CARM: 信頼性の高い超解法のためのコンフォーマル適応型リスクマスキング
- Abstract要約: 時間分布シフト下での適応的空間リスク制御のための統計フレームワークである$textitCARM$を提案する。
平均的なマスク条件のリスクは、分布的な仮定や専門家間の重みの選択なしに、少なくとも$O(1/T)$レートで収束する。
- 参考スコア（独自算出の注目度）: 10.185693048744076
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based super-resolution (SR) can reconstruct fine-scale Earth-observation fields from coarse observations, but reconstruction accuracy alone does not provide a calibrated rule for identifying reliable spatial regions. Conformal Mask Calibration (CMC), built on conformal risk control, converts a spatial uncertainty score into a trust mask and controls the expected worst-case local distortion under exchangeability. However, its fixed threshold can become miscalibrated in Earth-observation streams affected by seasonality and episodic events. We propose $\textit{CARM}$ (Conformal Adaptive Risk Masking), a statistical framework for adaptive spatial risk control under temporal distribution shift. CARM maintains experts with heterogeneous update rates and aggregates their threshold proposals online using an asymmetric surrogate loss, balancing rapid adaptation to distribution changes against stability during relatively stationary periods. All updates are causal and use only mature feedback available after a fixed delay, allowing CARM to operate with any SR model that provides a spatial uncertainty score. We prove that the time-averaged mask-conditioned risk converges to at most $α$ at an $O(1/T)$ rate, without distributional assumptions and for any choice of aggregation weights across experts. On a daily South China Sea chlorophyll-$\textit{a}$ SR stream, CARM reduces the empirical violation rate from $43.49\%$ to $9.38\%$ and the moving-average exceedance frequency from $47.29\%$ to $1.22\%$ at $α=0.10$, while retaining a non-trivial trusted region. Experiments on ERA5 wind and OSTIA sea-surface temperature further show consistent relative improvements across multiple SR backbones.
- Abstract（参考訳）: 深層学習に基づく超解像(SR)は、粗い観測から微細な地球観測領域を再構築することができるが、再構成精度だけでは、信頼性の高い空間領域を特定するための校正ルールを提供していない。
コンフォーマルマスク校正(CMC)は、共形リスク制御に基づいて、空間不確実性スコアを信頼マスクに変換し、交換性の下で期待される最悪の局所歪みを制御する。
しかし、その一定の閾値は、季節性やエピソード的な出来事の影響を受け、地球観測の流路で誤校正される可能性がある。
時間分布シフトによる適応的空間リスク制御のための統計フレームワークである$\textit{CARM}$(Conformal Adaptive Risk Masking)を提案する。
CARMは異種更新率の専門家を維持し、非対称なサロゲート損失を使用してしきい値の提案をオンラインで集約し、比較的一定期間の安定性に対する分布変化への迅速な適応のバランスをとる。
すべての更新は因果的であり、固定遅延後にのみ利用可能な成熟したフィードバックを使用するため、CARMは空間不確実性スコアを提供する任意のSRモデルで操作できる。
時間平均マスク条件付リスクは、分布仮定や専門家間の凝集重みの選択なしに、少なくとも$O(1/T)$レートで、少なくとも$α$に収束することを示す。
毎日の南シナ海クロロフィル=$\textit{a}$ SRストリームでは、CARMは、経験的違反率を43.49 %$から9.38 %$に下げ、移動平均超過頻度を47.29 %$から1.22 %$でα=0.10$に抑えながら、非自明な領域を維持している。
ERA5風とOSTIA海面温度の実験は、複数のSRバックボーンにまたがる相対的な改善を示す。
関連論文リスト
- Adaptive Robust Confidence Sets in High Dimensions [60.353542776481596]
本研究では,不確実性を同時に定量化することにより,情報理論的に最適な適応信頼セットを構築することができることを示す。
統計的には最適であるが、この構成は計算的に不可能である。
論文 参考訳（メタデータ） (2026-10-11T16:00:46Z) - SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。
決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。
NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
論文 参考訳（メタデータ） (2026-08-21T07:20:22Z) - TTSD-FAR: Test-Time Self-Distillation with Fisher-Anchored Restoration for Missing-Modality Emotion Recognition in LVLMs [83.78708832901194]
大規模ビデオ言語モデル(LVLM)は、野生のマルチモーダル感情認識(ER)のようなマルチモーダルタスクにおいて顕著なパフォーマンスを示している。
しかし、現実のデプロイメントは依然として困難であり、テスト時にモダリティが欠落したりうる。
凍結した教師が自己蒸留により適応的な低学級の生徒を指導する手法を提案する。
MELD, DFEW, BAHを0%-50%のモダリティで実験した結果, この統一型適応復元設計はエントロピーベースの適応, RAG, およびパープレキシティベースの生成より一貫して優れていた。
論文 参考訳（メタデータ） (2026-08-18T23:40:28Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - Rethinking the Divergence Regularization in LLM RL [56.952725733148746]
強化学習(Reinforcement Learning, RL)は、大規模言語モデル(LLM)の訓練後において重要な要素となっている。
そこで本稿では,ハードマスクをスムーズなアドバンテージ重み付き二次正規化器に置き換える多変量正規化政策最適化(DRPO)を提案する。
DRPOはDPPOと同じ信頼領域を保ちながら、有界で連続的な勾配重みを誘導する。
論文 参考訳（メタデータ） (2026-06-08T17:58:23Z) - KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。
Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。
現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
論文 参考訳（メタデータ） (2026-03-27T13:44:42Z) - Reinforcement Learning from Multi-Source Imperfect Preferences: Best-of-Both-Regimes Regret [71.69884486156359]
我々は, 累積的不完全化予算を用いて, エンフルティソースの不完全性選好からエピソードRLを考察した。
我々は,最良な登録行動を示す,後悔$tildeO(sqrtK/M+)$の統一アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-20T19:34:53Z) - RE-SAC: Disentangling aleatoric and epistemic risks in bus fleet control: A stable and robust ensemble DRL approach [19.34848029403215]
交通量と旅客需要のため、バスの保有管理は困難である。
標準的なアクター批判アルゴリズムは揮発性環境におけるQ値不安定性に悩まされる。
本研究では,不確実性を解消するために,頑健なアンサンブル・ソフトアクター・クリティック・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-19T01:37:45Z) - Causality-Inspired Safe Residual Correction for Multivariate Time Series [12.183024727781449]
我々はCRC(Causality-inspired Safe Residual Correction)を提案する。
因果性にインスパイアされたエンコーダを用いて、自己および相互変数のダイナミクスを分離することで方向認識構造を公開する。
実験の結果、CRCは精度を継続的に改善する一方、深部アブレーションの研究は、そのコアセーフティメカニズムが例外的に高い非劣化速度(NDR)を保証していることを確認した。
論文 参考訳（メタデータ） (2025-12-27T01:34:14Z) - Efficient and Sharp Off-Policy Evaluation in Robust Markov Decision Processes [44.974100402600165]
意思決定プロセス(MDP)に対する最良パラメトリックかつ最悪の摂動の評価について検討する。
我々は、元のMDPからの遷移観測を用いて、それらが同一または異なるポリシーの下で生成されるかのどちらかを判断する。
我々の推定器はウォルドの信頼区間を用いた統計的推測も行う。
論文 参考訳（メタデータ） (2024-03-29T18:11:49Z)
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。