CHASE：曖昧性に対応したセレクティブ予測のための競合仮説
arXiv cs.CV / 2026/5/5
📰 ニュースModels & Research
要点
- CHASE（Competing Hypotheses for Ambiguity-Aware Selective Prediction）は、単一の予測ブランチの出力から不確実性を推定するのではなく、構造化された時間的説明を競合的に比較することでセレクティブ予測を改善します。
- 部分観測下では局所的な時間的根拠が矛盾し、標準的な信頼度スコアが誤解を招きやすいため、CHASEは「安全に意思決定できるケース」と「根本的に曖昧なケース」を競合仮説のマージンで切り分けることを狙います。
- CHASEは、真の曖昧性では競合仮説間のスコア差が崩れる性質を利用して、棄権（abstain）判断をより適切に行うためのランキング対応セレクタを最適化します。
- 隠れた接続性推定を対象に、物理的に根拠づけられたシミュレータ（ジャイアント単層リポソーム：GUVのダイナミクスに着想）と、実GUV動画へのゼロショットな質的転移（再学習・微調整なし）で検証した結果、従来の不確実性ベースラインに対して、棄権なし精度・3値（three-way）精度・曖昧性に整合した棄権の各指標で統計的に有意な改善が示されました。
- 改善例として、全体整合性で最大11.0%の相対平均改善、非常に高い曖昧性領域で3値精度が最大8.8%相対的に向上し、カバレッジ90%で全体リスクを9.9%低減する結果が報告されています。
