論文の概要: Residual Distribution Predictive Systems

• arxiv url: http://arxiv.org/abs/2510.26914v1
• Date: Thu, 30 Oct 2025 18:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.889009
• Title: Residual Distribution Predictive Systems
• Title（参考訳）: 残留分布予測システム
• Authors: Sam Allen, Enrico Pescara, Johanna Ziegel,
• Abstract要約: 本研究では,残留分布予測システム(Residual Distribution Predictive Systems)と呼ばれる予測システム構築手法について検討する。 完全共形設定では、2つのアプローチが異なるが、新しいアプローチは、かなり厳密な要求を満たす共形測度に依存しないという利点がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal predictive systems are sets of predictive distributions with theoretical out-of-sample calibration guarantees. The calibration guarantees are typically that the set of predictions contains a forecast distribution whose prediction intervals exhibit the correct marginal coverage at all levels. Conformal predictive systems are constructed using conformity measures that quantify how well possible outcomes conform with historical data. However, alternative methods have been proposed to construct predictive systems with more appealing theoretical properties. We study an approach to construct predictive systems that we term Residual Distribution Predictive Systems. In the split conformal setting, this approach nests conformal predictive systems with a popular class of conformity measures, providing an alternative perspective on the classical approach. In the full conformal setting, the two approaches differ, and the new approach has the advantage that it does not rely on a conformity measure satisfying fairly stringent requirements to ensure that the predictive system is well-defined; it can readily be implemented alongside any point-valued regression method to yield predictive systems with out-of-sample calibration guarantees. The empirical performance of this approach is assessed using simulated data, where it is found to perform competitively with conformal predictive systems. However, the new approach offers considerable scope for implementation with alternative regression methods.
• Abstract（参考訳）: コンフォーマル予測システムは、理論上はサンプル外キャリブレーションが保証される予測分布の集合である。 キャリブレーションの保証は、予測の集合が予測間隔が全てのレベルで正しい限界カバレッジを示す予測分布を含むのが典型的である。 コンフォーマルな予測システムは、過去のデータにどれだけうまく適合するかを定量化する適合度尺度を用いて構築される。 しかし、より魅力的な理論特性を持つ予測システムを構築するための代替手法が提案されている。 本研究では,残留分布予測システム(Residual Distribution Predictive Systems)と呼ばれる予測システム構築手法について検討する。 分割共形設定では、このアプローチは一般的な整合度尺度のクラスを持つ共形予測系をネストし、古典的アプローチの代替的な視点を提供する。 完全共形設定では、2つのアプローチが異なり、新しいアプローチでは、予測システムが適切に定義されていることを保証するために、かなり厳密な要求を満たす適合度尺度に頼らないという利点がある。 この手法の実証的な性能はシミュレーションデータを用いて評価され、同型予測システムと競合する結果が得られた。 しかし、新しいアプローチは、代替回帰手法による実装のかなりの範囲を提供する。

関連論文リスト

• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Conformalized Interval Arithmetic with Symmetric Calibration [9.559062601251464]
  我々は,複数の目標の和に対する予測区間に対して,単一目標に対する共形予測区間を開発する。 提案手法は, 既存のコンフォメーション手法や非コンフォメーション手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-20T15:27:18Z)
• 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)
• Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation [18.928543069018865]
  等角予測は分布仮定を避ける一つの方法である。 しかし、予測領域をマージすることで、コンフォメーションスコアに存在する構造が犠牲になり、保守性はさらに低下する。 そこで本研究では,新しいフレームワークを分類と予測列最適化の両方で効果的に活用できることを述べる。
  論文  参考訳（メタデータ） (2024-05-25T14:11:01Z)
• Conditional validity of heteroskedastic conformal regression [12.905195278168506]
  等角予測と分割等角予測は、統計的保証付き予測間隔を推定するための分布自由なアプローチを提供する。 近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。 本稿では,正規化やモンドリアン等式予測などの手法を用いて,予測間隔の構築方法について,新たな光を当てることを試みる。
  論文  参考訳（メタデータ） (2023-09-15T11:10:46Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)

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。