arXiv eess.ASは2026年8月20日(現地時間)、深層ニューラルネットワークの予測過信問題を解決する新たな信頼度推定手法「$TCP_α$」に関する論文を発表した。この手法は、誤分類されたサンプルにマージン制御ペナルティを導入することで、正解と不正解の予測値の完全な分離を保証し、既存手法の持つあいまいさを解消するという。
深層ニューラルネットワークは、誤った予測に対しても高い確信度を割り当てることがあり、これにより予測の信頼性を判断する際の課題が生じていた。従来の事後信頼度推定手法は、正しい予測と誤った予測に重複する確信度を割り当て、特に決定境界付近の誤りでは、正しい予測と区別できない確信度スコアを与えるという限界を抱えていた。
パランプリート・シン (Parampreet Singh) 氏らは、これらの課題に対処するため、$TCP_α$を提案した。この手法は、誤分類されたサンプルにマージン制御ペナルティを導入することで、正解と不正解の予測ターゲット値の間に完全な分離を保証する。この分離マージンは、クラス数に依存せず、ペナルティパラメータの増加に伴って単調に増加するという。
正確な分類器は本質的に少ない誤りを生成するため、これらのターゲットを学習することは、不均衡な回帰問題を引き起こす可能性がある。研究チームは、この不均衡下での学習戦略に関する系統的な研究を行い、広範なアブレーション研究を通じて効果的な学習設定を特定したと報告している。
提案手法はラーガ識別で評価され、ドメインシフト下でのロバスト性が調査された。また、設定を変更することなくフレーム単位の装飾検出でも有効性が検証された。すべての設定において、$TCP_α$は既存の信頼度ターゲットを上回る性能を示した。具体的には、最も信頼度が低い8%の予測を拒否することで、ベースモデルのマクロF1スコアは0.89から0.98に改善した。さらに、新しいコーパスからわずか5%のラベル付きサンプルで信頼度ヘッドをファインチューニングすることで、ドメインシフト下での性能が効果的に回復したという。
参考: arXiv eess.AS (アーカイブ) — 2026年8月21日 02:58 (JST)
原文ハイライト"a novel confidence target that resolves these limitations by introducing a margin-controlled penalty"