論文の概要: Distribution-informed Online Conformal Prediction

• arxiv url: http://arxiv.org/abs/2512.07770v1
• Date: Mon, 08 Dec 2025 17:51:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.991424
• Title: Distribution-informed Online Conformal Prediction
• Title（参考訳）: 分散インフォームドオンラインコンフォーマル予測
• Authors: Dongjian Hu, Junxi Wu, Shu-Tao Xia, Changliang Zou,
• Abstract要約: 更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。 我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
• 参考スコア（独自算出の注目度）: 53.674678995825666
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conformal prediction provides a pivotal and flexible technique for uncertainty quantification by constructing prediction sets with a predefined coverage rate. Many online conformal prediction methods have been developed to address data distribution shifts in fully adversarial environments, resulting in overly conservative prediction sets. We propose Conformal Optimistic Prediction (COP), an online conformal prediction algorithm incorporating underlying data pattern into the update rule. Through estimated cumulative distribution function of non-conformity scores, COP produces tighter prediction sets when predictable pattern exists, while retaining valid coverage guarantees even when estimates are inaccurate. We establish a joint bound on coverage and regret, which further confirms the validity of our approach. We also prove that COP achieves distribution-free, finite-sample coverage under arbitrary learning rates and can converge when scores are $i.i.d.$. The experimental results also show that COP can achieve valid coverage and construct shorter prediction intervals than other baselines.
• Abstract（参考訳）: コンフォーマル予測は、予め定義されたカバレッジ率で予測セットを構築することにより、不確実性定量化の重要かつ柔軟な技術を提供する。 多くのオンライン共形予測法は、完全に敵対的な環境におけるデータ分散シフトに対処するために開発され、過度に保守的な予測セットとなる。 更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。 非整合性スコアの累積分布関数を推定することにより、COPは予測可能なパターンが存在する場合により厳密な予測セットを生成すると同時に、推定が不正確な場合でも有効なカバレッジ保証を保持する。 我々は、カバレッジと後悔に縛られた共同作業を構築し、我々のアプローチの有効性をさらに確認する。 また、COPは任意の学習率で分布のない有限サンプルカバレッジを達成でき、スコアが$i.i.d.$であるときに収束できることを示す。 また,実験結果から,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることが示唆された。

関連論文リスト

• 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)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• 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)
• 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)
• Post-selection Inference for Conformal Prediction: Trading off Coverage for Precision [0.0]
  伝統的に、共形予測推論はデータに依存しない発見レベルの仕様を必要とする。 我々は,データ依存的誤発見レベルを考慮した同時共形推論を開発する。
  論文  参考訳（メタデータ） (2023-04-12T20:56:43Z)

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。