論文の概要: Selective Conformal Risk Control

• arxiv url: http://arxiv.org/abs/2512.12844v1
• Date: Sun, 14 Dec 2025 21:18:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.47009
• Title: Selective Conformal Risk Control
• Title（参考訳）: 選択的コンフォーマルリスク制御
• Authors: Yunpeng Xu, Wenge Guo, Zhi Wei,
• Abstract要約: 共形予測と選択分類を統合した統合フレームワークであるtextitSelective Conformal Risk Control (SCRC) を提案する。 第1段階は予測のための確実なサンプルを選択し、第2段階は選択されたサブセットに対して共形リスク制御を適用して校正された予測セットを構築する。 SCRC-Iは、より保守的なリスクコントロールを示すが、より優れた計算実用性を示す。
• 参考スコア（独自算出の注目度）: 0.38106124526091323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable uncertainty quantification is essential for deploying machine learning systems in high-stakes domains. Conformal prediction provides distribution-free coverage guarantees but often produces overly large prediction sets, limiting its practical utility. To address this issue, we propose \textit{Selective Conformal Risk Control} (SCRC), a unified framework that integrates conformal prediction with selective classification. The framework formulates uncertainty control as a two-stage problem: the first stage selects confident samples for prediction, and the second stage applies conformal risk control on the selected subset to construct calibrated prediction sets. We develop two algorithms under this framework. The first, SCRC-T, preserves exchangeability by computing thresholds jointly over calibration and test samples, offering exact finite-sample guarantees. The second, SCRC-I, is a calibration-only variant that provides PAC-style probabilistic guarantees while being more computational efficient. Experiments on two public datasets show that both methods achieve the target coverage and risk levels, with nearly identical performance, while SCRC-I exhibits slightly more conservative risk control but superior computational practicality. Our results demonstrate that selective conformal risk control offers an effective and efficient path toward compact, reliable uncertainty quantification.
• Abstract（参考訳）: 信頼性の高い不確実性定量化は、機械学習システムを高い領域に展開するために不可欠である。 コンフォーマル予測は、分布のないカバレッジを保証するが、しばしば非常に大きな予測セットを生成し、実用性を制限する。 この問題に対処するため,コンフォメーション予測と選択分類を統合した統合フレームワークである「textit{Selective Conformal Risk Control} (SCRC)」を提案する。 第1段階は予測のための確実なサンプルを選択し、第2段階は選択されたサブセットに対して共形リスク制御を適用して校正された予測セットを構築する。 この枠組みに基づいて2つのアルゴリズムを開発する。 第1のSCRC-Tは、キャリブレーションとテストサンプルを共同で計算することで交換性を保持し、正確な有限サンプル保証を提供する。 第2のSCRC-Iはキャリブレーションのみの変種であり、より計算効率が良く、PACスタイルの確率的保証を提供する。 2つの公開データセットの実験では、どちらの手法もほぼ同じ性能で目標のカバレッジとリスクレベルを達成する一方、SCRC-Iはより保守的なリスクコントロールを示すが、優れた計算実用性を示す。 その結果, 選択的共形リスク制御は, コンパクトで信頼性の高い不確実性定量化に向けて, 効果的かつ効率的な経路を提供することを示した。

関連論文リスト

• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• SAFER: Risk-Constrained Sample-then-Filter in Large Language Models [38.97678256807034]
  本稿では,無意識サンプリングと共形フィルタリングを組み合わせた2段階リスク制御フレームワークを提案する。 その結果,SAFERはタスク固有の基準やキャリブレーションテストのスプリット比と互換性があることが判明した。
  論文  参考訳（メタデータ） (2025-10-11T12:12:41Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Cross-Validation Conformal Risk Control [40.2365781482563]
  コンフォーマルリスク制御(CRC)は、従来の点予測器にポストホックを適用してキャリブレーションを保証する手法である。 本稿では,従来のCRCの検証ではなく,クロスバリデーションに基づく新しいCRC手法を提案する。 CV-CRCは、設定された予測子の平均リスクに関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-01-22T14:26:02Z)

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。