arXivは2026年11月4日(現地時間)、Elizabeth Hofer氏とMartin v. Mohrenschildt氏らによる論文で、カーネルの新たな尺度「Confidence Score」を提案した。これは、ハイパーパラメータの調整、候補カーネルの選択、特定の学習タスクへのカーネルの適合性評価に用いられる既存のカーネル尺度の制約を克服するものだ。従来の「alignment to the ideal kernel」のような尺度が、同一クラス内の全サンプルを類似と見なすのに対し、Confidence Scoreはクラス内構造を保持するカーネルでも高いスコアを達成可能とする。
提案されたConfidence Scoreは、カーネル尺度が持つ従来の課題に対応するために開発された。既存の多くのカーネル尺度（kernel measures）は、理想的なカーネルとのアライメント（alignment to the ideal kernel）などの手法を含め、同一クラスの全てのサンプルを類似と捉えるように設計されている。しかし、クラスが実質的な内部構造を示す分類タスクにおいては、この要件は不必要に厳格であると指摘されている。
Elizabeth Hofer氏とMartin v. Mohrenschildt氏の論文によると、Confidence Scoreは、グラウンドトゥルースのエンコーディングと、カーネルによって投影されたグラウンドトゥルースとのアライメントを測定する。これにより、クラス内構造を保持するカーネルが高いスコアを得られる。
実験では、Confidence Scoreが様々なカーネルにおいて、実世界データセットおよび合成データセットの両方で、分類精度と他の選択されたカーネル尺度と比較してより高い相関を示すことが実証された。
参考: arXiv cs.LG (アーカイブ) — 2026年11月5日 14:00 (JST)
原文ハイライト"the Confidence Score exhibits a higher correlation with classification accuracy across a variety of kernels"