要旨: 共形予測は、分類および回帰タスクにおいて妥当な予測集合を構成するための広く用いられている枠組みとして登場してきた。本研究では、分割共形予測の枠組みを階層分類へ拡張する。階層分類では、予測集合が一般に事前に定義された階層の内部ノードに制限されることが多い。さらに、計算効率の高い2つの推論アルゴリズムを提案する。最初のアルゴリズムは内部ノードを予測集合として返し、2つ目のアルゴリズムはこの制限を緩和する。表現の複雑さという概念を用いることで、後者はより一般的で組合せ的な推論問題の代償として集合サイズを小さくする。いくつかのベンチマークデータセットに対する実験的評価により、提案アルゴリズムが公称被覆を達成する上で有効であることが示される。
制約付きの表現複雑性を用いた階層分類におけるコンフォーマル予測
arXiv stat.ML / 2026/4/13
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- この論文では、階層分類に対してsplit conformal predictionを拡張し、あらかじめ定義されたラベル階層により予測集合を制約できることに焦点を当てる。
- 計算効率の高い2つの推論アルゴリズムを提案する。1つは予測集合として内部の階層ノードを出力するもの、もう1つはその制約を緩和して集合サイズを改善するもの。
- 緩和された手法は、表現複雑性とのトレードオフを用い、小さな予測集合を生成する一方で、より一般的で組合せ的な推論ステップを導入する。
- 複数のベンチマークデータセットでの実験により、両手法が公称のカバレッジを達成し、階層設定において得られる予測集合の妥当性が示される。
