A Conformal Prediction Score that is Robust to Label Noise

要約

等角予測 (CP) は、正しいクラスがこのセット内に存在するという事前定義された確率を使用して小さな予測セットを構築することにより、ネットワークの不確実性を定量化します。
この研究では、ノイズの多いラベルを含む検証セットに基づいて CP キャリブレーションの問題に取り組みます。
ラベルノイズに対して堅牢な等角スコアを導入します。
ノイズのないコンフォーマル スコアは、ノイズのあるラベル付きデータとノイズ レベルを使用して推定されます。
テスト段階では、ノイズのないスコアを使用して予測セットが形成されます。
私たちは、提案されたアルゴリズムをいくつかの標準的な医用画像分類データセットに適用しました。
必要なカバレッジを維持しながら、予測セットの平均サイズの点で、私たちの方法が現在の方法よりも大幅に優れていることを示します。

要約(オリジナル)

Conformal Prediction (CP) quantifies network uncertainty by building a small prediction set with a pre-defined probability that the correct class is within this set. In this study we tackle the problem of CP calibration based on a validation set with noisy labels. We introduce a conformal score that is robust to label noise. The noise-free conformal score is estimated using the noisy labeled data and the noise level. In the test phase the noise-free score is used to form the prediction set. We applied the proposed algorithm to several standard medical imaging classification datasets. We show that our method outperforms current methods by a large margin, in terms of the average size of the prediction set, while maintaining the required coverage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google