論文の概要: Provably Minimum-Length Conformal Prediction Sets for Ordinal Classification
- arxiv url: http://arxiv.org/abs/2511.16845v1
- Date: Thu, 20 Nov 2025 23:00:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-24 18:08:18.833431
- Title: Provably Minimum-Length Conformal Prediction Sets for Ordinal Classification
- Title（参考訳）: 順序分類のための最小長等角予測セットの確率的最小化
- Authors: Zijian Zhang, Xinyu Chen, Yuanjie Shi, Liyuan Lillian Ma, Zifan Xu, Yan Yan,
- Abstract要約: 本稿では,モデルに依存しない,インスタンスレベルの最適予測区間を提供する順序-CP法を提案する。
様々な領域からの4つのベンチマークデータセットの実験を行い、予測効率が大幅に改善されたことを示す。
- 参考スコア（独自算出の注目度）: 17.822517655243427
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ordinal classification has been widely applied in many high-stakes applications, e.g., medical imaging and diagnosis, where reliable uncertainty quantification (UQ) is essential for decision making. Conformal prediction (CP) is a general UQ framework that provides statistically valid guarantees, which is especially useful in practice. However, prior ordinal CP methods mainly focus on heuristic algorithms or restrictively require the underlying model to predict a unimodal distribution over ordinal labels. Consequently, they provide limited insight into coverage-efficiency trade-offs, or a model-agnostic and distribution-free nature favored by CP methods. To this end, we fill this gap by propose an ordinal-CP method that is model-agnostic and provides instance-level optimal prediction intervals. Specifically, we formulate conformal ordinal classification as a minimum-length covering problem at the instance level. To solve this problem, we develop a sliding-window algorithm that is optimal on each calibration data, with only a linear time complexity in K, the number of label candidates. The local optimality per instance further also improves predictive efficiency in expectation. Moreover, we propose a length-regularized variant that shrinks prediction set size while preserving coverage. Experiments on four benchmark datasets from diverse domains are conducted to demonstrate the significantly improved predictive efficiency of the proposed methods over baselines (by 15% decrease on average over four datasets).
- Abstract（参考訳）: 通常の分類は、医用画像や診断など、意思決定に信頼性のある不確実性定量化(UQ)が不可欠である多くの高精細な応用に広く適用されている。
コンフォーマル予測(CP)は、統計的に有効な保証を提供する一般的なUQフレームワークであり、実際は特に有用である。
しかし、先行順序CP法は、主にヒューリスティックアルゴリズムに焦点をあてるか、または順序ラベル上の一助分布を予測するために基礎となるモデルを限定的に要求する。
その結果、カバー効率のトレードオフやCP法で好まれるモデルに依存しない、分散のない性質について、限られた洞察を与えている。
このギャップを埋めるために、モデルに依存しない、インスタンスレベルの最適予測区間を提供する順序-CP法を提案する。
具体的には、コンフォメーション順序分類をインスタンスレベルで最小長被覆問題として定式化する。
そこで本研究では,各キャリブレーションデータに対して最適なスライディングウインドウアルゴリズムを開発し,Kの線形時間的複雑性,ラベル候補数について検討する。
インスタンスごとの局所最適性は、予測の予測効率をさらに向上させる。
さらに,適用範囲を保ちながら予測セットのサイズを縮小する長規則化変種を提案する。
多様な領域の4つのベンチマークデータセットの実験を行い、提案手法がベースラインよりも大幅に改善された予測効率(4つのデータセットの平均15%減少)を実証した。
関連論文リスト
- Differentially Private Conformal Prediction via Quantile Binary Search [0.0]
我々は、P-COQS(Quantile Search)を介してプライベート・コンフォーマルティ(Private Conformity)と呼ぶ一般のDP手法を提案する。
提案手法は,CP のキャリブレーションフェーズにおけるDP量子化の計算に,既存のランダム化二値探索アルゴリズムを適用し,それに伴う予測セットのプライバシを保証する。
我々は,従来の代替手段と比較して,プライバシーノイズ,サンプルサイズ,重要度がアプローチの性能に与える影響について広範な実験を行った。
論文 参考訳（メタデータ） (2025-07-15T22:08:02Z) - Conformal Prediction Beyond the Seen: A Missing Mass Perspective for Uncertainty Quantification in Generative Models [20.810300785340072]
Conformal Prediction with Query Oracle (CPQ)は、これらの目的間の最適な相互作用を特徴付けるフレームワークである。
本アルゴリズムは2つの基本原理に基づいて構築されている。一方は最適なクエリポリシーを規定し、他方はクエリされたサンプルから予測セットへの最適マッピングを定義する。
論文 参考訳（メタデータ） (2025-06-05T18:26:14Z) - Optimal Transport-based Conformal Prediction [8.302146576157497]
コンフォーマル予測(CP)は、ブラックボックス学習モデルにおける不確実性のための原則化されたフレームワークである。
レンズを通して予測スコア関数を処理する新しいCPプロシージャを提案する。
次に,マルチ出力回帰とマルチクラス分類の定量化に本手法を適用した。
論文 参考訳（メタデータ） (2025-01-31T09:48:28Z) - 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) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - UTOPIA: Universally Trainable Optimal Prediction Intervals Aggregation [9.387706860375461]
UTOPIA(Universally Trainable Optimal Predictive Intervals Aggregation)と呼ばれる新しい戦略を導入する。
この技術は、予測帯域の平均幅を小さく保ちながら、複数の予測間隔を効率的に集約し、カバレッジを確保する。
合成データとファイナンスとマクロ経済学における2つの実世界のデータセットに適用することで検証されている。
論文 参考訳（メタデータ） (2023-06-28T20:38:37Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳（メタデータ） (2022-02-22T18:37:23Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳（メタデータ） (2020-11-05T08:04:34Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z)
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。