論文の概要: Modular and Adaptive Conformal Prediction for Sequential Models via Residual Decomposition

• arxiv url: http://arxiv.org/abs/2510.04406v1
• Date: Mon, 06 Oct 2025 00:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.634562
• Title: Modular and Adaptive Conformal Prediction for Sequential Models via Residual Decomposition
• Title（参考訳）: 残差分解による逐次モデルのモジュールおよび適応等角予測
• Authors: William Zhang, Saurabh Amin, Georgia Perakis,
• Abstract要約: 本稿では,2段階連続モデルに対する共形予測フレームワークを提案する。 本手法は,ステージ固有のコンポーネントに残留する全体の予測により,特定のパイプラインステージに不確実性を持たせることができる。 実世界のサプライチェーンや株式市場のデータと同様に, 合成分布シフトの実験は, 標準等角法を劣化させる条件下で, 本手法が適用範囲を維持することを実証している。
• 参考スコア（独自算出の注目度）: 8.759857025553549
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction offers finite-sample coverage guarantees under minimal assumptions. However, existing methods treat the entire modeling process as a black box, overlooking opportunities to exploit modular structure. We introduce a conformal prediction framework for two-stage sequential models, where an upstream predictor generates intermediate representations for a downstream model. By decomposing the overall prediction residual into stage-specific components, our method enables practitioners to attribute uncertainty to specific pipeline stages. We develop a risk-controlled parameter selection procedure using family-wise error rate (FWER) control to calibrate stage-wise scaling parameters, and propose an adaptive extension for non-stationary settings that preserves long-run coverage guarantees. Experiments on synthetic distribution shifts, as well as real-world supply chain and stock market data, demonstrate that our approach maintains coverage under conditions that degrade standard conformal methods, while providing interpretable stage-wise uncertainty attribution. This framework offers diagnostic advantages and robust coverage that standard conformal methods lack.
• Abstract（参考訳）: 等角予測は最小の仮定で有限サンプルカバレッジを保証する。 しかし、既存の手法では、モデリングプロセス全体をブラックボックスとして扱い、モジュラー構造を利用する機会を見越しています。 本稿では、上流予測器が下流モデルの中間表現を生成する2段階連続モデルに対する共形予測フレームワークを提案する。 本手法では,全体の予測残差をステージ固有のコンポーネントに分解することにより,実践者が特定のパイプラインステージに不確実性を持たせることができる。 本研究では,ファミリーワイドエラー率(FWER)制御を用いたリスク制御パラメータ選択手法を開発し,長期にわたるカバレッジ保証を保った非定常的設定に対する適応的拡張を提案する。 実世界のサプライチェーンや株式市場データと同様に, 合成分布シフトの実験では, 標準的なコンフォメーション手法を劣化させる条件下で, 適用範囲を維持しつつ, 解釈可能な段階的不確実性属性を提供する。 このフレームワークは、標準的なコンフォメーションメソッドに欠けている、診断上の利点と堅牢なカバレッジを提供する。

関連論文リスト

• 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)
• Epistemic Uncertainty in Conformal Scores: A Unified Approach [2.449909275410288]
  等角予測法は、分布のない保証を持つ予測帯域を生成するが、不確実性を明示的に捉えることはできない。 モデルに依存しないアプローチである $texttEPICSCORE$ を導入する。 $texttEPICSCORE$は、限られたデータを持つ領域の予測間隔を適応的に拡張し、データが豊富であるコンパクト間隔を維持します。
  論文  参考訳（メタデータ） (2025-02-10T19:42:54Z)
• Online scalable Gaussian processes with conformal prediction for guaranteed coverage [32.21093722162573]
  結果として生じる不確実な値の整合性は、学習関数がGPモデルで指定された特性に従うという前提に基づいている。 提案するGPは,分散のない後処理フレームワークである共形予測(CP)を用いて,有意なカバレッジで予測セットを生成する。
  論文  参考訳（メタデータ） (2024-10-07T19:22:15Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Adjusting Regression Models for Conditional Uncertainty Calibration [46.69079637538012]
  本稿では,分割共形予測手法を適用して条件付きカバレッジを改善するために,回帰関数を訓練する新しいアルゴリズムを提案する。 本研究では,条件付きカバレッジと名目付きカバレッジ率の差分を求める上限を確立し,この上限値を制御するためのエンドツーエンドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-26T01:55:45Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• From Conformal Predictions to Confidence Regions [1.4272411349249627]
  モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。 本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。 本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
  論文  参考訳（メタデータ） (2024-05-28T21:33:12Z)

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。