論文の概要: Federated Conditional Conformal Prediction via Generative Models

• arxiv url: http://arxiv.org/abs/2510.13297v1
• Date: Wed, 15 Oct 2025 08:38:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.575989
• Title: Federated Conditional Conformal Prediction via Generative Models
• Title（参考訳）: 生成モデルによる条件付きコンフォーマル予測
• Authors: Rui Xu, Sihong Xie,
• Abstract要約: Conformal Prediction (CP) は、分布のない不確実性定量化を提供する。 Fed Conditional Conformal Prediction (Fed-CCP)は、ローカルデータの不均一性に対応する条件付きカバレッジを目指している。 実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。
• 参考スコア（独自算出の注目度）: 13.357800315418267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal Prediction (CP) provides distribution-free uncertainty quantification by constructing prediction sets that guarantee coverage of the true labels. This reliability makes CP valuable for high-stakes federated learning scenarios such as multi-center healthcare. However, standard CP assumes i.i.d. data, which is violated in federated settings where client distributions differ substantially. Existing federated CP methods address this by maintaining marginal coverage on each client, but such guarantees often fail to reflect input-conditional uncertainty. In this work, we propose Federated Conditional Conformal Prediction (Fed-CCP) via generative models, which aims for conditional coverage that adapts to local data heterogeneity. Fed-CCP leverages generative models, such as normalizing flows or diffusion models, to approximate conditional data distributions without requiring the sharing of raw data. This enables each client to locally calibrate conformal scores that reflect its unique uncertainty, while preserving global consistency through federated aggregation. Experiments on real datasets demonstrate that Fed-CCP achieves more adaptive prediction sets.
• Abstract（参考訳）: Conformal Prediction (CP) は、真のラベルのカバレッジを保証する予測セットを構築することで、分布のない不確実性定量化を提供する。 この信頼性により、CPはマルチセンターヘルスケアのような高度な統合学習シナリオにとって価値がある。 しかし、標準CPは、クライアントの分散が著しく異なるフェデレーション設定で違反されるデータであるi.d.を仮定する。 既存の統合CPメソッドは、各クライアントの限界カバレッジを維持することでこの問題に対処するが、そのような保証は入力条件の不確実性を反映しないことが多い。 本研究では,局所データの不均一性に適応する条件付きカバレッジを目的とした生成モデルを用いて,Fed-CCP(Federated Conditional Conformal Prediction)を提案する。 Fed-CCPは、フローの正規化や拡散モデルのような生成モデルを利用して、生データの共有を必要とせずに条件付きデータ分布を近似する。 これにより、各クライアントは、そのユニークな不確実性を反映したコンフォメーションスコアを局所的にキャリブレーションし、フェデレーションアグリゲーションを通じてグローバルな一貫性を維持することができる。 実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。

関連論文リスト

• FedCF: Fair Federated Conformal Prediction [4.145290936792853]
  コンフォーマルフェアネス(CF)フレームワークをフェデレートラーニング設定に拡張し、フェアネスのためのフェデレーションモデルの監査方法について議論します。 複数のドメインにまたがる複数のデータセットの実験を行うことで、我々のフレームワークを実証的に検証する。
  論文  参考訳（メタデータ） (2025-09-26T20:35:22Z)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• 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)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
  コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。 非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。 この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-25T20:02:51Z)
• 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。