論文の概要: Coverage Hides Churn: Auditing and Preserving Conformal Decisions as VLM Label Registries Grow

• arxiv url: http://arxiv.org/abs/2611.07502v1
• Date: Thu, 05 Nov 2026 06:06:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.563714
• Title: Coverage Hides Churn: Auditing and Preserving Conformal Decisions as VLM Label Registries Grow
• Title（参考訳）: VLMラベル登録者数増加でコンフォーマルな判断を監査・保存する「Coverage」
• Abstract要約: 視覚言語分類器はテキストだけで新しいラベルを学習することができる。 この成長は、古いラベルに関するコンフォーマルな決定を静かに変えることを示す。 本稿では,これらの変化をカバレッジや設定サイズとともに測定するライフサイクル監査と,簡単な修正を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language classifiers can learn new labels from text alone, so the label lists they serve keep growing. We show that this growth silently changes conformal decisions about old labels. Common softmax-based conformal scores compare each label with an average over all labels; adding labels changes that average, and with it the score of every old label, even when the model, the image, and the old calibration data stay the same. Recalibrating after the update keeps the coverage guarantee, yet across eleven settings it changes at least one old decision on 53-90% of new images. Coverage cannot reveal this, because it checks only the true label: in five controlled settings that keep the old calibration, so that only the normalizer changes, old-class coverage moves by at most 0.01 while 60-67% of images change. We propose a lifecycle audit that measures these changes alongside coverage and set size, and a simple fix, PrefixCP: each class keeps the label registry that existed when it was added. Its old decisions then never change, each class keeps exact class-conditional coverage under exchangeability, and one prefix scan computes all historical normalizers at once. PrefixCP recovers 40.9-58.5% of the set-size gap between never updating the reference and recalibrating, which gives smaller sets but changes old decisions.
• Abstract（参考訳）: 視覚言語分類器はテキストだけで新しいラベルを学習することができる。 この成長は、古いラベルに関するコンフォーマルな決定を静かに変えることを示す。 ラベルを追加すると、モデル、画像、そして古いキャリブレーションデータが同じであっても、すべての古いラベルのスコアが変わります。 アップデート後のリカバリでは、カバー範囲の保証が保たれているが、11つの設定で、53～90%の新しい画像に対して、少なくとも1つの古い決定が変更されている。 古いキャリブレーションを保持する5つのコントロールされた設定で、正規化子だけを変更するため、古いクラスカバレッジは0.01以上、画像の60-67%が変化する。 我々は、これらの変更をカバレッジとセットサイズとともに測定するライフサイクル監査と、単純な修正であるPrefixCPを提案する。 その古い決定は変更されず、各クラスは交換可能性の下で正確なクラス条件のカバレッジを保持し、あるプレフィックススキャンはすべての歴史的な正規化子を一度に計算する。 PrefixCPは参照の更新と再調整の間の設定サイズギャップの40.9-58.5%を回復する。

関連論文リスト

• Predicted Class Correction: Conformal Thresholds for Classes with No Calibration Data [16.42016237685914]
  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。
  論文  参考訳（メタデータ） (2026-10-18T15:45:13Z)
• 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)
• Multi-Label Test-Time Adaptation with Bayesian Conditional Priors [15.878958356965159]
  Conditional Priors Estimation (BCP) は、バックボーンをチューニングせずにラベル依存性を注入する勾配のないテスト時間適応法である。 BCPは、未ラベルのテストストリームからアンカー条件の事前値をオンラインで推定することで、ターゲットアノテーションなしで動作します。 BCPは、標準のマルチラベルベンチマークと複数のCLIPバックボーンで、強力なTTAベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-11T05:29:00Z)
• Active Generalized Category Discovery [60.69060965936214]
  GCD(Generalized Category Discovery)は、新しいクラスと古いクラスの未ラベルのサンプルをクラスタ化するための取り組みである。 我々は,能動的学習の精神を取り入れて,能動的一般化カテゴリー発見(AGCD)という新たな設定を提案する。 提案手法は, 汎用および微粒なデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-07T07:12:24Z)
• Imprecise Label Learning: A Unified Framework for Learning with Various Imprecise Label Configurations [91.67511167969934]
  imprecise label learning (ILL)は、様々な不正確なラベル構成で学習を統合するためのフレームワークである。 我々は、ILLが部分ラベル学習、半教師付き学習、雑音ラベル学習にシームレスに適応できることを実証した。
  論文  参考訳（メタデータ） (2023-05-22T04:50:28Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Learning Soft Labels via Meta Learning [3.4852307714135375]
  シングルホットラベルは概念間のソフトな決定境界を表現していないため、トレーニングされたモデルは過度に適合する傾向にある。 そこで我々は,ラベルを学習可能なパラメータとして扱い,モデルパラメータとともに最適化するフレームワークを提案する。 本研究では, 学習ラベルがクラス間の意味的関係を捉え, 蒸留の下流作業における教師モデルを改善することを示す。
  論文  参考訳（メタデータ） (2020-09-20T18:42:13Z)
• Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
  本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。 提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。 マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
  論文  参考訳（メタデータ） (2020-04-20T12:13:43Z)

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。