論文の概要: Split Conformal Prediction in the Function Space with Neural Operators

• arxiv url: http://arxiv.org/abs/2509.04623v1
• Date: Thu, 04 Sep 2025 19:12:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.393819
• Title: Split Conformal Prediction in the Function Space with Neural Operators
• Title（参考訳）: ニューラル演算子を用いた関数空間における分割等角予測
• Authors: David Millard, Lars Lindemann, Ali Baheri,
• Abstract要約: 等角予測は有限次元空間において有限サンプル保証を与える。 直接関数値出力に拡張しない。 この研究は、2段階法に従って関数空間への共形予測を分割する。
• 参考スコア（独自算出の注目度）: 7.619100818009453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification for neural operators remains an open problem in the infinite-dimensional setting due to the lack of finite-sample coverage guarantees over functional outputs. While conformal prediction offers finite-sample guarantees in finite-dimensional spaces, it does not directly extend to function-valued outputs. Existing approaches (Gaussian processes, Bayesian neural networks, and quantile-based operators) require strong distributional assumptions or yield conservative coverage. This work extends split conformal prediction to function spaces following a two step method. We first establish finite-sample coverage guarantees in a finite-dimensional space using a discretization map in the output function space. Then these guarantees are lifted to the function-space by considering the asymptotic convergence as the discretization is refined. To characterize the effect of resolution, we decompose the conformal radius into discretization, calibration, and misspecification components. This decomposition motivates a regression-based correction to transfer calibration across resolutions. Additionally, we propose two diagnostic metrics (conformal ensemble score and internal agreement) to quantify forecast degradation in autoregressive settings. Empirical results show that our method maintains calibrated coverage with less variation under resolution shifts and achieves better coverage in super-resolution tasks.
• Abstract（参考訳）: ニューラル作用素の不確かさの定量化は、関数出力に対する有限サンプルカバレッジ保証が欠如しているため、無限次元の設定において未解決の問題のままである。 共形予測は有限次元空間において有限サンプル保証を提供するが、関数値出力に直接拡張しない。 既存のアプローチ(ガウス過程、ベイズニューラルネットワーク、量子ベース演算子)は、強い分布仮定を必要とするか、保守的なカバレッジをもたらす。 この研究は、2段階法に従って関数空間への共形予測を分割する。 まず、出力関数空間における離散化写像を用いて、有限次元空間における有限サンプル被覆を保証する。 そして、これらの保証は、離散化が洗練されるにつれて漸近収束を考慮して関数空間へ持ち上げられる。 分解能の影響を特徴づけるために,共形半径を離散化,校正,不特定成分に分解する。 この分解は、レグレッションベースの補正を動機付け、解像度をまたいだキャリブレーションを伝達する。 さらに,自動回帰設定における予測劣化を定量化する2つの診断指標(コンフォーマルアンサンブルスコアと内部合意)を提案する。 実験結果から,本手法は分解能変化の少ないキャリブレーション範囲を維持し,超分解能タスクのカバレッジを向上させることが示唆された。

関連論文リスト

• Multivariate Latent Recalibration for Conditional Normalizing Flows [2.3020018305241337]
  ラテント校正は、ラテントキャリブレーション上の有限サンプル境界を持つラテント空間の変換を学ぶ。 LRは再校正モデルの潜時校正誤差と負の対数類似度を一貫して改善する。
  論文  参考訳（メタデータ） (2025-05-22T13:08:20Z)
• Learning Operators by Regularized Stochastic Gradient Descent with Operator-valued Kernels [5.663076715852465]
  ポーランド空間から分離可能なヒルベルト空間へ非線形作用素を推定するための正規収束エンコーダ降下(SGD)アルゴリズムについて検討する。 一般SGDスキームに対して高い確率で境界を導出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-25T08:57:38Z)
• Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
  本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。 本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。 2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
  論文  参考訳（メタデータ） (2024-09-24T04:39:47Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Fully Stochastic Trust-Region Sequential Quadratic Programming for Equality-Constrained Optimization Problems [62.83783246648714]
  目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。 アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
  論文  参考訳（メタデータ） (2022-11-29T05:52:17Z)
• Statistical Optimality of Divide and Conquer Kernel-based Functional Linear Regression [1.7227952883644062]
  本稿では,対象関数が基礎となるカーネル空間に存在しないシナリオにおいて,分割・コンカレント推定器の収束性能について検討する。 分解に基づくスケーラブルなアプローチとして、関数線形回帰の分割・収束推定器は、時間とメモリにおけるアルゴリズムの複雑さを大幅に減らすことができる。
  論文  参考訳（メタデータ） (2022-11-20T12:29:06Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Sparse Representations of Positive Functions via First and Second-Order Pseudo-Mirror Descent [15.340540198612823]
  推定器の範囲が非負である必要がある場合、予測されるリスク問題を考察する。 Emphpseudo-gradientsを用いた近似ミラーの1階および2階の変種を開発した。 実験は、実際に不均一なプロセス強度推定に好適な性能を示す。
  論文  参考訳（メタデータ） (2020-11-13T21:54:28Z)

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。