ENCP: 視覚言語ナビゲーションのためのエピソード正規化共形予測

- Vision-and-Language Navigation (VLN) モデルの不確実性推定のための手法 ENCP (Episode-Normalized Conformal Prediction) を提案。 - VLN エージェントは一連のステップを要するため、標準的な conformal prediction (CP) のキャリブレーションでは依存した可変長エピソード全体でのカバレッジ保証が得られない問題に対処。 - ENCP は非適合スコアをポリシーの残差信頼度で再スケールし、エピソードごとに最大スコアをキャリブレーションする。 - 交換可能なキャリブレーションとテストエピソードの下で、各ステップで確率少なくとも 1-α で真値をカバーし、エピソード内のステップ間の依存を許容。 - R2R と REVERIE データセットで4つの VLN ポリシーと3つの非適合スコアにわたり、seen-to-unseen 評価で報告されたすべての経験的ステップカバレッジ目標を達成。 - モデル非依存の不確実性推定を提供し、VLN エージェントがより能力の高い予測器（人間の支援を含む）に委ね…

- 先行研究として conformal prediction (CP) が最も先進的な不確実性推定フレームワークの一つとして挙げられている。 - しかし、VLN エージェントは一連のステップを要するため、標準的な CP のキャリブレーションでは依存した可変長 VLN エピソード全体でのカバレッジ保証を提供できないという問題があった。 - ENCP はこの問題に対処し、エピソードごとに正規化された非適合スコアを用いることで、エピソード内のステップ間の依存を許容しつつ、各ステップでカバレッジ保証を達成。 - 具体的な先行研究名や比較対象は要旨からは不明。

- ENCP は非適合スコアをポリシーの残差信頼度で再スケールする。 - エピソードごとに最大スコアをキャリブレーションする。 - 交換可能なキャリブレーションとテストエピソードの下で、各ステップで確率少なくとも 1-α で真値をカバーすることを保証。 - エピソード内のステップ間の依存を許容する。 - モデル非依存の不確実性推定を提供。

- R2R と REVERIE データセットを使用。 - 4つの VLN ポリシーと3つの非適合スコアで評価。 - seen-to-unseen 評価において、ENCP が報告されたすべての経験的ステップカバレッジ目標を達成することを確認。

- ENCP はモデル非依存の不確実性推定を提供し、VLN エージェントがより能力の高い予測器（人間の支援を含む）に委ねるべきタイミングの判断に有用である可能性が示唆されている。 - 具体的な議論や限界については要旨からは不明。

- 要旨で参照/比較されている研究は conformal prediction (CP) のみ。 - 関連手法として、VLN の不確実性推定や conformal prediction の応用に関する論文が次に読むべき候補として考えられるが、具体的な論文名は要旨からは不明。