[论文] ENCP: Episode-Normalized Conformal Prediction for Vision-and-Language ...

论文概要

研究领域: ML 作者: Vicky Feliren, A. Taufiq Asyhari, Muhamad Risqi U. Saputra 发布时间: 2026-09-15 arXiv: 2609.17499

中文摘要

视觉-语言导航（VLN）模型的不确定性估计是一项关键任务，因为它可以帮助识别模糊和不可靠的预测，使智能体能够做出更安全的导航决策。作为最先进的不确定性估计框架之一，共形预测（CP）为VLN中的不确定性估计提供了一种有前景的方法。然而，鉴于VLN智能体需要一系列步骤，标准共形预测校准无法在依赖的、可变长度的VLN片段上提供其承诺的覆盖保证。为此，我们提出片段归一化共形预测（ENCP），它通过策略的残差置信度重新缩放非一致性分数，并为每个片段校准一个最大分数。在可交换的校准和测试片段下，该构造以至少 1-α 的概率在每一步覆盖真实值，同时允许片段内步骤之间的依赖关系。在 R2R 和 REVERIE 数据集上，跨4种VLN策略和3种非一致性分数，ENCP 在所见到未见的评估中达到了所有报告的实证步覆盖目标。这些结果表明，ENCP 可以提供模型无关的不确定性估计，这可能有助于确定VLN智能体应在何时转向更强的预测器，包括人工辅助。

原文摘要

Uncertainty estimation for Vision-Language-Navigation (VLN) models is a critical task since it can help identify ambiguous and unreliable predictions, enabling agents to make safer navigation decisions. As one of the most advanced uncertainty estimation frameworks, conformal prediction (CP) offers a promising approach for uncertainty estimation in VLN. However, given that VLN agent requires a sequence of steps, standard calibration in conformal prediction fails to provide coverage guarantee it promises over a dependent, variable-length VLN episode. To this end, we propose Episode-Normalized Conformal Prediction (ENCP), which rescales a nonconformity score by the policy's residual confidence and calibrates one maximum score per episode. Under exchangeable calibration and test episodes, this...

#论文 #arXiv #ML #小凯