論文の概要: Aggregating Conformal Prediction Sets via α-Allocation

• arxiv url: http://arxiv.org/abs/2511.12065v1
• Date: Sat, 15 Nov 2025 07:11:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.575872
• Title: Aggregating Conformal Prediction Sets via α-Allocation
• Title（参考訳）: Aggregating Conformal Prediction Sets via α-Allocation
• Authors: Congbin Xu, Yue Yu, Haojie Ren, Zhaojun Wang, Changliang Zou,
• Abstract要約: この研究は、複数の共形予測セットにまたがる信頼度を最適に割り当てる原理的な集約戦略を導入する。 合成および実世界のデータセットの実験では、COLAは最先端のベースラインよりもかなり小さな予測セットを達成している。
• 参考スコア（独自算出の注目度）: 22.63151097928744
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction offers a distribution-free framework for constructing prediction sets with finite-sample coverage. Yet, efficiently leveraging multiple conformity scores to reduce prediction set size remains a major open challenge. Instead of selecting a single best score, this work introduces a principled aggregation strategy, COnfidence-Level Allocation (COLA), that optimally allocates confidence levels across multiple conformal prediction sets to minimize empirical set size while maintaining provable coverage. Two variants are further developed, COLA-s and COLA-f, which guarantee finite-sample marginal coverage via sample splitting and full conformalization, respectively. In addition, we develop COLA-l, an individualized allocation strategy that promotes local size efficiency while achieving asymptotic conditional coverage. Extensive experiments on synthetic and real-world datasets demonstrate that COLA achieves considerably smaller prediction sets than state-of-the-art baselines while maintaining valid coverage.
• Abstract（参考訳）: 等角予測は、有限サンプルカバレッジを持つ予測セットを構築するための分布自由フレームワークを提供する。 しかし、予測セットのサイズを減らすために複数の整合性スコアを効率的に活用することは大きな課題である。 1つのベストスコアを選択する代わりに、この研究は、証明可能なカバレッジを維持しながら経験的なセットサイズを最小化するために、複数の共形予測セットにわたって信頼レベルを最適に割り当てる、原則化された集約戦略であるCOLA(COnfidence-Level Allocation)を導入する。 さらにCOLA-sとCOLA-fという2つの変種が開発され、サンプル分割と完全共形化による有限サンプル境界被覆が保証された。 さらに, 局所的なサイズの効率向上を図り, 漸近的条件付きカバレッジを実現したCOLA-lを開発した。 合成および実世界のデータセットに関する大規模な実験は、COLAが有効なカバレッジを維持しながら最先端のベースラインよりもかなり小さな予測セットを達成することを示した。

関連論文リスト

• Adaptive Coverage Policies in Conformal Prediction [46.298122008420414]
  我々は、共形予測法を改善するために、e値とポストホック共形推論の進歩を活用する。 本稿では,ニューラルネットワークをキャリブレーションセット上でのLeft-out手順を用いてトレーニングすることで,適応的カバレッジポリシーを最適化することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T18:37:22Z)
• Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
  等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。 本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。 提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
  論文  参考訳（メタデータ） (2025-03-24T18:54:22Z)
• 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)
• 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)
• Conformal Thresholded Intervals for Efficient Regression [9.559062601251464]
  Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。 CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。 CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-07-19T17:47:08Z)
• 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)

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。