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
- Optimal training-conditional regret for online conformal prediction [20.643619398558315]
本研究では,未知分布のドリフトを受ける非定常データストリームのオンラインコンフォメーション予測について検討する。
具体的には、急激な変化点と滑らかなドリフトの2種類の分散シフトを持つ独立に生成されたデータに焦点を当てる。
我々は,オンライン完全共形アルゴリズムにおいて,予測セットの適切な制約の下でミニマックス下限と一致する非漸近的後悔保証を確立する。
論文 参考訳（メタデータ） (2026-02-18T15:31:15Z) - Distribution-informed Online Conformal Prediction [53.674678995825666]
更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。
COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。
我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
論文 参考訳（メタデータ） (2025-12-08T17:51:49Z) - AdaSwitch: An Adaptive Switching Meta-Algorithm for Learning-Augmented Bounded-Influence Problems [9.387255955861162]
シーケンスベース予測を用いた複数周期オンライン意思決定問題のクラスについて検討する。
各期間において、意思決定者は、実現された要求を観察し、報酬を得る、またはコストを請求する不可解な措置を取らなければならない。
我々は、過去の決定と要求が将来の最適報酬に限定的な影響を与えるような、バウンド・インフルエンス・フレームワークを導入する。
本稿では,AdaSwitchメタアルゴリズムを提案する。これは,予測が正確である場合に,オフラインベンチマークに近い性能を達成するために,予測を利用する。
論文 参考訳（メタデータ） (2025-09-02T13:26:23Z) - Conformal Information Pursuit for Interactively Guiding Large Language Models [68.16703423481935]
本稿では,クエリ数の最小化を目的としたシーケンシャルクエリ戦略について検討する。
そのような戦略の1つは情報探索(IP)であり、各反復で情報ゲインを最大化または同等に不確実性を最小化するクエリを選択する。
本稿では,コンフォーマル情報探索法(C-IP)を提案する。
論文 参考訳（メタデータ） (2025-07-04T03:55:39Z) - 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。