論文の概要: Online selective conformal inference: adaptive scores, convergence rate and optimality

• arxiv url: http://arxiv.org/abs/2508.10336v1
• Date: Thu, 14 Aug 2025 04:36:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.180639
• Title: Online selective conformal inference: adaptive scores, convergence rate and optimality
• Title（参考訳）: オンライン選択的共形推論:適応スコア、収束率、最適性
• Authors: Pierre Humbert, Ulysse Gazin, Ruth Heller, Etienne Roquain,
• Abstract要約: そこで我々は,OnlineSCIと呼ばれる点予測アルゴリズムの拡張版を導入する。 OnlineSCIには、極端な結果の予測間隔の構築、禁忌の分類、オンラインテストなど、いくつかの顕著なオンライン選択タスクが含まれている。 適応型版である OnlineSCI が最適解に収束し, 上記の各応用事例において明示的な収束率が得られることを示す。
• 参考スコア（独自算出の注目度）: 4.7198252163006345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a supervised online setting, quantifying uncertainty has been proposed in the seminal work of \cite{gibbs2021adaptive}. For any given point-prediction algorithm, their method (ACI) produces a conformal prediction set with an average missed coverage getting close to a pre-specified level $\alpha$ for a long time horizon. We introduce an extended version of this algorithm, called OnlineSCI, allowing the user to additionally select times where such an inference should be made. OnlineSCI encompasses several prominent online selective tasks, such as building prediction intervals for extreme outcomes, classification with abstention, and online testing. While OnlineSCI controls the average missed coverage on the selected in an adversarial setting, our theoretical results also show that it controls the instantaneous error rate (IER) at the selected times, up to a non-asymptotical remainder term. Importantly, our theory covers the case where OnlineSCI updates the point-prediction algorithm at each time step, a property which we refer to as {\it adaptive} capability. We show that the adaptive versions of OnlineSCI can convergence to an optimal solution and provide an explicit convergence rate in each of the aforementioned application cases, under specific mild conditions. Finally, the favorable behavior of OnlineSCI in practice is illustrated by numerical experiments.
• Abstract（参考訳）: 教師付きオンライン環境では、 \cite{gibbs2021adaptive} のセミナーで不確実性の定量化が提案されている。 任意の点予測アルゴリズムに対して、それらの手法(ACI)は、長い時間的地平線に対して予め指定されたレベル$\alpha$に近づく平均的欠落カバレッジを持つ共形予測セットを生成する。 我々は,このアルゴリズムの拡張版である OnlineSCI を導入し,ユーザがそのような推論を行うべき回数を選択できるようにした。 OnlineSCIには、極端な結果の予測間隔の構築、禁忌の分類、オンラインテストなど、いくつかの顕著なオンライン選択タスクが含まれている。 OnlineSCIは, 対向的な設定で選択した平均欠落率を制御するが, 理論的には, 非漸近的残余項まで, 選択した時点における即時誤差率(IER)を制御していることを示す。 重要なことは、OnlineSCIが各ステップでポイント予測アルゴリズムを更新する場合、つまり、我々が「適応化」能力と呼ぶ特性についてである。 適応型の OnlineSCI は最適解に収束し, 上記の各適用事例において, 特定の軽度条件下で明示的な収束率が得られることを示す。 最後に,OnlineSCIの実践的振る舞いを数値実験により示す。

関連論文リスト

• Online Conformal Probabilistic Numerics via Adaptive Edge-Cloud Offloading [52.499838151272016]
  本研究は, PLS が生成する HPD 集合を, 長期のカバレッジ要件を保証するため, キャリブレーションする手法を提案する。 提案手法は,クラウドからエッジへの散発的なフィードバックを前提としたオンライン共形予測PLS (OCP-PLS) と呼ばれる。 OCP-PLSの有効性は、カバレッジ、予測セットサイズ、クラウド利用のトレードオフに関する洞察をもたらす実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-03-18T17:30:26Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• CAP: A General Algorithm for Online Selective Conformal Prediction with FCR Control [4.137346786534721]
  全体の誤発見レベルを測定するために,FCR (Real-time false coverage-statement rate) を制御することが重要である。 キャリブレーションセットを構築するために,過去のデータに対して適応的なピックルールを実行するCAPというフレームワークを開発した。 我々は,CAPが有限サンプルおよび分布自由な状態において,厳密な選択条件のカバレッジ保証を達成できることを証明した。
  論文  参考訳（メタデータ） (2024-03-12T15:07:20Z)
• Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
  我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-15T18:59:30Z)
• Structure-Adaptive Sequential Testing for Online False Discovery Rate Control [1.456699007803424]
  本研究は、オンライン偽発見率(FDR)制御のための構造適応シーケンシャルテスト(SAST)ルールの新しいクラスを開発する。 我々の提案の重要な要素は、逐次決定における利得と損失を正確に特徴付ける新しいアルファ投資アルゴリズムである。
  論文  参考訳（メタデータ） (2020-02-28T23:16:44Z)
• Toward Optimal Adversarial Policies in the Multiplicative Learning System with a Malicious Expert [87.12201611818698]
  専門家のアドバイスを組み合わせて真の結果を予測する学習システムについて考察する。 専門家の一人が悪意があり、システムに最大損失を課すことを目指していると推測されている。 誤予測を常に報告する単純な欲求ポリシーは、近似比が1+O(sqrtfracln NN)$で最適であることを示す。 悪意のある専門家がその判断を適応的に行うことができるオンライン環境では、最適のオンラインポリシーを$O(N3)$で動的プログラムを解くことで効率的に計算できることが示される。
  論文  参考訳（メタデータ） (2020-01-02T18:04:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。