技術概要：CONSIGN - 分解による空間的グループ化に裏付けられた共形セグメンテーション

1. 問題定義

機械学習に基づく画像セグメンテーションモデルは、通常、不確実性のヒューリスティックな指標として機能するピクセルごとの信頼スコア（例：softmax 確率）を出力します。医療画像など高リスクの分野においてこれらは価値がありますが、これらのスコアには厳密な統計的保証が欠けています。共形予測（Conformal Prediction: CP）は、これらのヒューリスティックを、ユーザーが指定した誤差保証（共形リスク制御）を備えた統計的に妥当な不確実性推定量に変換するための枠組みを提供します。

しかし、セグメンテーションにおける既存の CP 応用には、ピクセルごとの独立性仮定という重大な限界があります。標準的な手法は、画像データに内在する根本的な空間的相関を無視して、各ピクセルに対して個別に予測集合を構築します。この空間構造の軽視は、以下の結果を招きます：

• 過度に保守的な推定： 結果として得られる予測集合（可能なセグメンテーションマスクの集合）は、必要以上に大きくなります。
• 非整合な予測： 集合には、空間的に非整合または非現実的（例：ノイズが多く、断片化されたマスク）な組み合わせラベル構成が含まれる可能性があります。
• 解釈性の低下： 構造的制約の欠如により、意思決定に対する不確実性推定量の意味が薄れます。

2. 手法：CONSIGN

著者らは、空間的相関を共形予測の枠組みに統合する手法CONSIGN（分解による空間的グループ化に裏付けられた共形セグメンテーション）を提案します。このアプローチは、複数のサンプル出力を生成できる（例：モンテカルロドロップアウト、ベイズモデル、アンサンブルを介して）任意の事前学習済みセグメンテーションモデルと互換性を持つように設計されています。

この手法は、主に 2 つの段階で構成されます：

A. 空間的意識を持つ集合の構築

ピクセルを独立して扱うのではなく、CONSIGN は**特異値分解（SVD）による主成分分析（PCA）**を活用し、画像全体にわたる不確実性の結合変動を捉えます。

1. サンプル生成： 事前学習済みモデル $f$ が与えられた場合、この手法は入力画像 $X$ に対して $N_s$ 個のサンプル出力 $\hat{s}_1, \dots, \hat{s}_{N_s}$ を生成します。
2. SVD 分解： サンプルをその平均 $\mu(X)$ の周りで中心化し、分解します：
   $$\hat{S} - \mu(X) \cdot \mathbf{1}^T = U \Sigma V^T$$
   $U$ の列（$u_k$ と表記）は、不確実性の主方向を表します。著者らは、少量の成分（$K \in \{2, 5\}$）を使用した切り捨て SVD が、本質的な空間構造を捉えるのに十分であり、完全な基底と比較して計算複雑性を大幅に低減すると指摘しています。
3. 係数の境界： 各主成分 $k$ に対して、この手法は較正サンプル上の射影係数の経験的量子値（$a_k, b_k$）を計算します。これらが基準区間を定義します。
4. 予測集合の定義： 予測集合 $C^*_\lambda(X)$ は、パラメータ $\lambda$ によってスケーリングされた境界内にある係数 $c_k$ を持つ、最初の $K$ 個の主成分の線形結合によって再構成可能なすべてのラベルマップ $Y$ の集合として定義されます：
   $$c_k \in \left[ \frac{a_k+b_k}{2} - \lambda \Sigma_{k,k} \frac{b_k-a_k}{2}, \quad \frac{a_k+b_k}{2} + \lambda \Sigma_{k,k} \frac{b_k-a_k}{2} \right]$$
   最終的なラベルマップは、再構成されたスコアベクトルに適用される非線形射影 $P(\cdot)$（argmax）によって得られます。この非線形性により、低次元表現を維持しつつ、ラベルごとの精度制約（$\beta$）を強制することが可能になります。

B. 較正

この手法は、共形リスク制御保証を満たす最適な $\hat{\lambda}$ を決定するための較正手順を採用します：
$$\mathbb{E}[\ell(C(X_{test}), Y_{test})] \leq \alpha$$
ここで、$\ell$ は真のラベルが予測集合に含まれないことを測定する有界損失関数です。

• 最適化の課題： 真のラベルが集合に含まれているかどうかを確認するのが自明なピクセルごとの手法とは異なり、CONSIGN における $Y \in C^*_\lambda(X)$ の確認には、境界内の係数ベクトル $c$ が存在し、再構成されたマスクが（精度 $\beta$ まで）$Y$ と一致するかどうかを見つける必要があります。
• 解決策： 著者らは、真のラベルと再構成されたマスクの間の損失を最小化する最適な係数 $c^*$ を見つけるために、これを制約付き最小化問題として定式化します。数値ソルバーが境界内で解を見つけた場合、真のラベルはカバード（網羅）されたとみなされます。
• 保証： ソルバーが大域的最適解を見つけることに失敗した場合（より保守的な $\lambda$ につながる可能性がありますが）、統計的カバレッジ保証は依然として有効です。

3. 主な貢献

• 空間的意識を持つ共形予測： この論文は、画像セグメンテーションにおける共形予測集合に空間的相関を明示的に組み込む新しい枠組みを導入し、ピクセルごとの独立性仮定を超えています。
• SVD ベースの分解： 不確実性の主方向を抽出するために SVD を利用することで、構造的に整合性があり、ピクセルごとのベースラインよりも著しく小さい（不確実性体積が低い）予測集合を構築します。
• 切り捨てによる効率性： 著者らは、非常に少数の主成分（$K=2$ または $5$）でも意味のある予測集合が達成可能であることを示しており、非線形射影ステップにもかかわらず、このアプローチは計算的に実行可能であることを実証しています。
• 汎用性： この手法はモデル非依存であり、事前学習済みモデルから複数のサンプルを生成する能力のみを必要とし、医療画像および自然画像の両方のデータセットに適用可能です。

4. 実験結果

著者らは、CONSIGN を 2 つのベースラインと比較評価しました：

1. ピクセルごとの RAPS： ピクセルを独立して扱う標準的な共形リスク制御手法。
2. SACP（空間的意識を持つ共形予測）： 局所領域にわたって softmax スコアを集約する手法。

データセット： 3 つの医療画像データセット（M&Ms-2、MS-CMR19、LIDC）と 2 つの COCO サブセット（動物、車両）。
指標：

• Chao 推定量： 予測集合内の一意なセグメンテーションの数（不確実性体積）を推定します。
• サンプルベース推定カバレッジ（sEC）： 経験的カバレッジが目標 $1-\alpha$ に収束する速度を測定します。
• 相関： サンプリングされたセグメンテーションの内部相関を測定します。

発見：

• 減少した不確実性体積： CONSIGN は、RAPS および SACP の両方と比較して、一貫して不確実性体積（一意なセグメンテーションの数）が著しく低い予測集合を生成しました。LIDC データセットでは、その差は数桁に及びました。
• 向上した効率性： CONSIGN は、ベースラインよりも少ないサンプル数で必要なカバレッジ保証を達成し、予測集合が低次元部分空間を占めていることを示しています。
• 構造的整合性： CONSIGN によって生成されたサンプルは、より高い内部相関を示し、領域間の遷移が滑らかであり、ピクセルごとのアプローチでよく見られる「ノイズの多い」または組み合わせ的に非整合なマスクを回避していました。
• ベースラインの限界： 事後にスコアを集約する SACP 手法は、ピクセルごとの RAPS と同程度の性能しか示さず、単純な集約では、厳密な不確実性境界に必要な真の空間的依存関係を効果的に捉えられないことを示唆しています。

5. 意義と限界

意義：
この論文は、CONSIGN が画像セグメンテーションにおいて「意味のある」かつ「解釈可能な」不確実性推定量を生成するための堅牢なツールを提供すると主張しています。空間的相関を認識することで、特に偽陽性/偽陰性のコストが高い医療画像など、重要な意思決定に役立つよりtightな予測集合を生成します。この手法は、ヒューリスティックな信頼スコアを、基礎となるセグメンテーションモデルの再学習を必要とせずに統計的に妥当な境界に変換します。

限界：

• 交換可能性の仮定： 標準的な共形予測手法と同様に、保証は較正データとテストデータが交換可能（例：i.i.d.）であるという仮定の下でのみ成立します。この手法は現在、分布シフトや分布外データに対処していません。
• 計算コスト： 予測集合の暗黙的な形式は、較正中に数値最適化問題の解決を必要とし、ピクセルごとの手法と比較してオフライン計算時間を増加させます。ただし、著者らはオンラインサンプリングは依然として高速であると指摘しています。
• ソルバーの最適性： カバレッジ保証は、数値ソルバーが適切な係数ベクトルを見つけることに依存しています。ソルバーが保守的である場合（$\lambda$ を増加させる）、統計的保証は成立しますが、病理学的なケースでは理論的に必要以上に広い境界につながる可能性があります。