論文の概要: Adaptive Coverage Policies in Conformal Prediction

• arxiv url: http://arxiv.org/abs/2510.04318v1
• Date: Sun, 05 Oct 2025 18:37:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.582453
• Title: Adaptive Coverage Policies in Conformal Prediction
• Title（参考訳）: コンフォーマル予測における適応被覆法
• Authors: Etienne Gauthier, Francis Bach, Michael I. Jordan,
• Abstract要約: 我々は、共形予測法を改善するために、e値とポストホック共形推論の進歩を活用する。 本稿では,ニューラルネットワークをキャリブレーションセット上でのLeft-out手順を用いてトレーニングすることで,適応的カバレッジポリシーを最適化することを提案する。
• 参考スコア（独自算出の注目度）: 46.298122008420414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional conformal prediction methods construct prediction sets such that the true label falls within the set with a user-specified coverage level. However, poorly chosen coverage levels can result in uninformative predictions, either producing overly conservative sets when the coverage level is too high, or empty sets when it is too low. Moreover, the fixed coverage level cannot adapt to the specific characteristics of each individual example, limiting the flexibility and efficiency of these methods. In this work, we leverage recent advances in e-values and post-hoc conformal inference, which allow the use of data-dependent coverage levels while maintaining valid statistical guarantees. We propose to optimize an adaptive coverage policy by training a neural network using a leave-one-out procedure on the calibration set, allowing the coverage level and the resulting prediction set size to vary with the difficulty of each individual example. We support our approach with theoretical coverage guarantees and demonstrate its practical benefits through a series of experiments.
• Abstract（参考訳）: 従来の共形予測手法は、真のラベルがユーザ指定のカバレッジレベルでセット内に収まるように予測セットを構成する。 しかしながら、未選択のカバレッジレベルは、カバーレベルが高すぎるときに過剰に保守的なセットを生成するか、低すぎるときに空のセットを生成するという、非形式的な予測をもたらす可能性がある。 さらに、固定カバレッジレベルは個々の例の特定の特性に適応できず、これらの手法の柔軟性と効率性が制限される。 本研究では,e-valuesとポストホック共形推論の最近の進歩を活用し,有効な統計的保証を維持しつつ,データ依存のカバレッジレベルの利用を可能にする。 そこで本稿では,ニューラルネットワークをキャリブレーションセットの残余手順を用いてトレーニングすることにより,適応的カバレッジポリシーを最適化し,各サンプルの難易度に応じて,カバレッジレベルと結果の予測セットサイズを可変化することを提案する。 我々は,理論的カバレッジ保証によるアプローチを支援し,一連の実験を通じてその実用的メリットを実証する。

関連論文リスト

• Probabilistic Conformal Coverage Guarantees in Small-Data Settings [0.02648566468224904]
  等角予測は、周縁被覆が保証された分布自由予測セットを提供する。 分割共形予測では、この保証はトレーニング条件でのみ期待される。 この分散は、実用的な応用において効果的なリスク制御を損なう。
  論文  参考訳（メタデータ） (2025-09-18T18:41:50Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Semi-Supervised Conformal Prediction With Unlabeled Nonconformity Score [19.15617038007535]
  コンフォーマル予測(CP)は不確実性定量化のための強力なフレームワークである。 ラベル付きデータがしばしば制限される現実世界のアプリケーションでは、標準CPはカバレッジの偏りを生じさせ、非常に大きな予測セットを出力する。 ラベル付きデータとラベルなしデータの両方を利用してキャリブレーションを行うSemiCPを提案する。
  論文  参考訳（メタデータ） (2025-05-27T12:57:44Z)
• Adaptive Temperature Scaling with Conformal Prediction [47.51764759462074]
  本稿では,共形予測集合の要素にキャリブレーションされた確率を割り当てる最初の手法を提案する。 本手法では,適応キャリブレーション問題として,所望のカバレッジレベルに適合する入力固有温度パラメータを選択する。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)

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。