論文の概要: Multi-Condition Conformal Selection

• arxiv url: http://arxiv.org/abs/2510.08075v1
• Date: Thu, 09 Oct 2025 11:02:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.028209
• Title: Multi-Condition Conformal Selection
• Title（参考訳）: マルチコンディション・コンフォーマル・セレクション
• Authors: Qingyang Hao, Wenbo Liao, Bingyi Jing, Hongxin Wei,
• Abstract要約: 共形選択を複数の条件のシナリオに拡張するマルチコンディション・コンフォーマル・セレクション(MCCS)アルゴリズムを提案する。 特に, 共役条件に対する局所的単調性をもつ新しい非整合性スコアと, 共役条件に対する大域的ベンジャミン・ホックバーグ(BH)手順を導入する。
• 参考スコア（独自算出の注目度）: 21.334376615955534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting high-quality candidates from large-scale datasets is critically important in resource-constrained applications such as drug discovery, precision medicine, and the alignment of large language models. While conformal selection methods offer a rigorous solution with False Discovery Rate (FDR) control, their applicability is confined to single-threshold scenarios (i.e., y > c) and overlooks practical needs for multi-condition selection, such as conjunctive or disjunctive conditions. In this work, we propose the Multi-Condition Conformal Selection (MCCS) algorithm, which extends conformal selection to scenarios with multiple conditions. In particular, we introduce a novel nonconformity score with regional monotonicity for conjunctive conditions and a global Benjamini-Hochberg (BH) procedure for disjunctive conditions, thereby establishing finite-sample FDR control with theoretical guarantees. The integration of these components enables the proposed method to achieve rigorous FDR-controlled selection in various multi-condition environments. Extensive experiments validate the superiority of MCCS over baselines, its generalizability across diverse condition combinations, different real-world modalities, and multi-task scalability.
• Abstract（参考訳）: 大規模データセットから高品質な候補を選択することは、薬物発見、精密医療、大規模言語モデルのアライメントといったリソース制約された応用において極めて重要である。 共形選択法は、False Discovery Rate (FDR) 制御による厳密な解を提供するが、それらの適用性はシングルスレッドのシナリオ(すなわち y > c)に限られており、共役条件や解離条件などの多条件選択の実際的なニーズを見落としている。 本研究では,共形選択を複数の条件を持つシナリオに拡張するマルチコンディション・コンフォーマル・セレクション(MCCS)アルゴリズムを提案する。 特に, 共役条件に対する局所的単調性をもつ新しい非整合性スコアと, 共役条件に対する大域的ベンジャミン・ホックバーグ(BH)手順を導入し, 理論的保証付き有限サンプルFDR制御を確立する。 これらのコンポーネントの統合により、様々なマルチ条件環境で厳密なFDR制御選択を実現することができる。 MCCSがベースラインよりも優れていること、様々な条件の組み合わせにまたがる一般化性、異なる実世界のモダリティ、マルチタスクのスケーラビリティを検証した。

関連論文リスト

• 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)
• Constrained Online Decision-Making: A Unified Framework [14.465944215100746]
  本稿では,段階的実現可能性制約による逐次意思決定の一般的な定式化について検討する。 本稿では,既存の制約付き学習問題を抽出する統一的なアルゴリズムフレームワークを提案する。 この結果は、理論と実践の両方において、制約付きシーケンシャルな意思決定のための原則化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-11T19:22:04Z)
• Multivariate Conformal Selection [9.431551477608528]
  本稿では,厳密な不確実性定量化を実現するために,コンフォーマルセレクション(CS)の一般化を提案する。 距離ベーススコアを用いたmCS-distと、微分可能な最適化により最適なスコアを学習するmCS-learnの2つの変種を提示する。 シミュレーションおよび実世界のデータセットの実験により、mCSはFalse Discovery Rate(FDR)制御を維持しながら選択能力を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2025-05-01T23:33:57Z)
• Cascading CMA-ES Instances for Generating Input-diverse Solution Batches [1.932871350415445]
  ポストホックなユーザの好みに合わせて柔軟性を提供するため、高品質の多様なソリューションのバッチを目指すことが望ましい場合が多い。 本稿では,共分散行列適応進化戦略(CMA-ES)の並列実行をカスケード方式でタブ領域を継承する手法を提案する。 我々は,CMA-ES-Diversity Search (CMA-ES-DS)アルゴリズムが与えられた最小距離要件を尊重する高品質な解バッチを抽出できるトラジェクトリを生成することを実証的に実証した。
  論文  参考訳（メタデータ） (2025-02-19T13:55:51Z)
• Optimized Conformal Selection: Powerful Selective Inference After Conformity Score Optimization [4.984656106595651]
  本稿では、フレキシブルなデータ駆動モデル最適化後に有効な統計的テスト(選択)を可能にするOptCSを提案する。 我々は,データ再利用が十分であるにもかかわらず,OptCSが正則なp-値を構成する一般的な条件を紹介する。 モデルごとに異なる最適化を行うFDR制御手順を3つ提案する。
  論文  参考訳（メタデータ） (2024-11-27T01:40:50Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [50.6382396309597]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• A Novel Unified Conditional Score-based Generative Framework for Multi-modal Medical Image Completion [54.512440195060584]
  我々は、スコアベース生成モデル(SGM)を活用するために、統一多モードスコアベース生成モデル(UMM-CSGM)を提案する。 UMM-CSGMは、新しいマルチインマルチアウトコンディションスコアネットワーク(mm-CSN)を用いて、クロスモーダル条件分布の包括的集合を学習する。 BraTS19データセットの実験により、UMM-CSGMは腫瘍誘発病変における不均一な増強と不規則な領域をより確実に合成できることが示された。
  論文  参考訳（メタデータ） (2022-07-07T16:57:21Z)

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。