Adaptive conformal classification with noisy labels
含噪标签的自适应保形分类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究图像分类的保形预测与标签污染，没有所列经济计量细分方向的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
含噪标签的自适应保形分类
- 研究问题
- 校准样本标签受到随机污染时，如何调整保形分类方法，以控制预测集覆盖率并提高预测集的信息量？
- 方法与思路
- 作者刻画标签污染导致的覆盖率膨胀或下降，并据此提出校准算法，可结合不同污染机制假设而无需知道分类器内部机制。
- 材料陈述的贡献
- 摘要称该方法常可获得更有信息量的预测集和更强覆盖保证，并通过模拟及CIFAR-10H图像分类应用展示表现。
- 阅读关注点
- 应核对标签污染模型、算法需要的污染信息、覆盖保证的具体形式，以及预测集大小与覆盖率的比较设计。
- 阅读边界
- 仅据所给Crossref摘要，不能理解为对任意标签噪声均有保证；污染假设、具体覆盖条件和比较幅度均未说明。
原文摘要
Abstract This article develops a conformal prediction method for classification tasks that can adapt to random label contamination in the calibration sample, often leading to more informative prediction sets with stronger coverage guarantees compared to existing approaches. This is obtained through a precise characterization of the coverage inflation (or deflation) suffered by standard conformal inferences in the presence of label contamination, which is then made actionable through a new calibration algorithm. Our solution can leverage different modelling assumptions about the contamination process, while requiring no knowledge of the underlying data distribution or of the inner workings of the classification model. The empirical performance of the proposed method is demonstrated through simulations and an application to object classification with the CIFAR-10H image data set.