論文の概要: Synthetic Counterfactual Labels for Efficient Conformal Counterfactual Inference

• arxiv url: http://arxiv.org/abs/2509.04112v1
• Date: Thu, 04 Sep 2025 11:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:10.141468
• Title: Synthetic Counterfactual Labels for Efficient Conformal Counterfactual Inference
• Title（参考訳）: 効率的な共形対物推論のための合成対物ラベル
• Authors: Amirmohammad Farzaneh, Matteo Zecchin, Osvaldo Simeone,
• Abstract要約: 本研究は,個々の対実的な結果に対して信頼性のある予測区間を構築することの課題に対処する。 既存の共形反事実推論(CCI)手法は、限界範囲のカバレッジを保証するが、過度に保守的な間隔を生じることが多い。 本稿では,合成データを用いたCCI(SP-CCI)について紹介する。
• 参考スコア（独自算出の注目度）: 31.505735933428213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work addresses the problem of constructing reliable prediction intervals for individual counterfactual outcomes. Existing conformal counterfactual inference (CCI) methods provide marginal coverage guarantees but often produce overly conservative intervals, particularly under treatment imbalance when counterfactual samples are scarce. We introduce synthetic data-powered CCI (SP-CCI), a new framework that augments the calibration set with synthetic counterfactual labels generated by a pre-trained counterfactual model. To ensure validity, SP-CCI incorporates synthetic samples into a conformal calibration procedure based on risk-controlling prediction sets (RCPS) with a debiasing step informed by prediction-powered inference (PPI). We prove that SP-CCI achieves tighter prediction intervals while preserving marginal coverage, with theoretical guarantees under both exact and approximate importance weighting. Empirical results on different datasets confirm that SP-CCI consistently reduces interval width compared to standard CCI across all settings.
• Abstract（参考訳）: 本研究は,個々の対実的な結果に対して信頼性のある予測区間を構築することの課題に対処する。 既存のコンフォメーション・カウンターファクト・推論(CCI)法は、限界範囲のカバレッジを保証するが、特に反ファクト・サンプルが不足している場合の処理不均衡の下では、過度に保守的な間隔を生じることが多い。 本研究では, 合成データ駆動型CCI (SP-CCI) を導入し, 事前学習した逆ファクトモデルにより生成した合成反ファクトラベルを用いてキャリブレーションセットを増強する新しいフレームワークを提案する。 有効性を確保するため、SP-CCIはリスク制御予測セット(RCPS)に基づいて、予測駆動推論(PPI)によって伝達される偏りのあるステップに基づいて、合成サンプルを共形キャリブレーション手順に組み込む。 我々は,SP-CCIが限界範囲を保ちながらより厳密な予測間隔を達成できることを証明し,正確な重み付けと近似的な重み付けの両条件で理論的保証を行う。 異なるデータセットにおける実験結果から、SP-CCIはすべての設定で標準のCCIと比較して間隔幅を一貫して減らすことが確認された。

関連論文リスト

• CCE: Confidence-Consistency Evaluation for Time Series Anomaly Detection [56.302586730134806]
  本稿では,新しい評価指標である信頼性・一貫性評価(CCE)を紹介する。 CCEは同時に、予測の信頼性と不確実性を測定する。 RankEvalは、さまざまなメトリクスのランキング機能を比較するためのベンチマークです。
  論文  参考訳（メタデータ） (2025-09-01T03:38:38Z)
• Synthetic-Powered Predictive Inference [28.99972786873634]
  合成駆動予測推論(SPI) 非整合性のスコアを信頼された実データと合成データと整合させる経験的量子化マッピング。 合成拡散モデル生成画像を用いた画像分類実験は、データスカース設定における予測効率の顕著な改善を示している。
  論文  参考訳（メタデータ） (2025-05-19T17:55:56Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Conformal Prediction with Learned Features [22.733758606168873]
  本稿では,予測セットの条件付き妥当性を向上させるために,PLCP(Partition Learning Conformal Prediction)を提案する。 我々は,市販の機械学習モデルを用いて,勾配の交互化によるPLCPを効率的に実装する。 4つの実世界および合成データセットに対する実験結果から,PLCPの優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-26T15:43:06Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)

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。