論文の概要: Counterfactually Fair Conformal Prediction

• arxiv url: http://arxiv.org/abs/2510.08724v1
• Date: Thu, 09 Oct 2025 18:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.492557
• Title: Counterfactually Fair Conformal Prediction
• Title（参考訳）: 対物的公正な等角予測
• Authors: Ozgur Guldogan, Neeraj Sarna, Yuanyuan Li, Michael Berger,
• Abstract要約: そこで我々は, 対実的公正な予測セットを生成するCF-CP(Counterfactually Fair Conformal Prediction)を開発した。 保護-属性介入間の適合度スコアの対称性化を通じて、CF-CPが反実的に公正な予測セットをもたらすことを証明した。
• 参考スコア（独自算出の注目度）: 8.13153220792812
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While counterfactual fairness of point predictors is well studied, its extension to prediction sets--central to fair decision-making under uncertainty--remains underexplored. On the other hand, conformal prediction (CP) provides efficient, distribution-free, finite-sample valid prediction sets, yet does not ensure counterfactual fairness. We close this gap by developing Counterfactually Fair Conformal Prediction (CF-CP) that produces counterfactually fair prediction sets. Through symmetrization of conformity scores across protected-attribute interventions, we prove that CF-CP results in counterfactually fair prediction sets while maintaining the marginal coverage property. Furthermore, we empirically demonstrate that on both synthetic and real datasets, across regression and classification tasks, CF-CP achieves the desired counterfactual fairness and meets the target coverage rate with minimal increase in prediction set size. CF-CP offers a simple, training-free route to counterfactually fair uncertainty quantification.
• Abstract（参考訳）: 点予測器の反実的公正性はよく研究されているが、その予測セットへの拡張は、不確実性の下での公平な意思決定の中央から中央へと、未調査の残余である。 一方、共形予測(CP)は効率的で分布自由で有限サンプルの有効な予測セットを提供するが、反実的公正性は保証しない。 我々は, 対実的公正な予測セットを生成する対実的公正な予測(CF-CP)を開発することで, このギャップを埋める。 保護-属性介入間の適合度スコアのシンメトリゼーションにより、CF-CPが限界被覆特性を維持しつつ、対実的に公正な予測セットをもたらすことを証明した。 さらに, 合成データと実データの両方において, CF-CPが所望の対実的公正性を達成し, 予測セットサイズを最小限に増やして対象のカバレッジ率を満たすことを実証的に実証した。 CF-CPは、非現実的に公正な不確実性定量化を行うための、単純で訓練のない経路を提供する。

関連論文リスト

• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• 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)
• Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [1.3812010983144802]
  本研究は,適応整形推論(ACI)の望ましい性質が整形予測器(CP)の使用を必要としないことを示す。 非互換信頼予測器(NCCP)の非交換データに対するACI使用時のCPに対する性能を実証的に検討した。
  論文  参考訳（メタデータ） (2024-09-23T21:02:33Z)
• Robust Conformal Prediction Using Privileged Information [17.886554223172517]
  本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。 我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
  論文  参考訳（メタデータ） (2024-06-08T08:56:47Z)
• 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)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)

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。