論文の概要: Weighted Conformal Prediction Provides Adaptive and Valid Mask-Conditional Coverage for General Missing Data Mechanisms

• arxiv url: http://arxiv.org/abs/2512.14221v1
• Date: Tue, 16 Dec 2025 09:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.655309
• Title: Weighted Conformal Prediction Provides Adaptive and Valid Mask-Conditional Coverage for General Missing Data Mechanisms
• Title（参考訳）: 重み付きコンフォーマル予測は、一般的な欠落データ機構に対する適応的および妥当性の高いマスク・コンディショナル・カバーを提供する
• Authors: Jiarong Fan, Juhyun Park. Thi Phuong Thuy Vo, Nicolas Brunel,
• Abstract要約: Mask-Conditional Valid (MCV) CoverageはMarginal Coverageよりも望ましい資産として現れている。 本手法は,一般的な欠落したデータ機構に対して,保証されたMarginal CoverageとMask-Conditional Validityを提供することを示す。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) offers a principled framework for uncertainty quantification, but it fails to guarantee coverage when faced with missing covariates. In addressing the heterogeneity induced by various missing patterns, Mask-Conditional Valid (MCV) Coverage has emerged as a more desirable property than Marginal Coverage. In this work, we adapt split CP to handle missing values by proposing a preimpute-mask-then-correct framework that can offer valid coverage. We show that our method provides guaranteed Marginal Coverage and Mask-Conditional Validity for general missing data mechanisms. A key component of our approach is a reweighted conformal prediction procedure that corrects the prediction sets after distributional imputation (multiple imputation) of the calibration dataset, making our method compatible with standard imputation pipelines. We derive two algorithms, and we show that they are approximately marginally valid and MCV. We evaluate them on synthetic and real-world datasets. It reduces significantly the width of prediction intervals w.r.t standard MCV methods, while maintaining the target guarantees.
• Abstract（参考訳）: コンフォーマル予測(CP)は不確実性定量化のための原則化された枠組みを提供するが、欠落した共変量に対してカバーを保証できない。 様々な欠落パターンによって引き起こされる異質性に対処するために、マスク・コンディション・バリデーション・カバー(MCV)は、Marginal Coverageよりも望ましい性質として現れた。 本研究では,有意なカバレッジを提供するプリインプット・マスク・then-correct frameworkを提案することで,欠落値を扱うために分割CPを適用する。 本手法は,一般的な欠落したデータ機構に対して,保証されたMarginal CoverageとMask-Conditional Validityを提供することを示す。 提案手法の主な構成要素は,キャリブレーションデータセットの分布計算(多重計算)後の予測セットを補正する重み付き共形予測法であり,本手法は標準計算パイプラインと互換性がある。 我々は2つのアルゴリズムを導出し、それらがほぼ正当であり、MCVであることを示す。 合成および実世界のデータセットで評価する。 目標保証を維持しながら、標準のMCV法で予測間隔の幅を大幅に削減する。

関連論文リスト

• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Distribution-informed Online Conformal Prediction [53.674678995825666]
  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。
  論文  参考訳（メタデータ） (2025-12-08T17:51:49Z)
• Backward Conformal Prediction [46.298122008420414]
  我々は、予測セットのサイズを柔軟に制御しながら、コンフォーマルカバレッジを保証するメソッドである$textitBackward Conformal Prediction$を紹介した。 提案手法は,観測データに基づいて,予測セットサイズがどう振る舞うかを制約するルールを定義し,それに応じてカバレッジレベルを適応させる。 このアプローチは、医療診断のような大きな予測セットが実用的でないアプリケーションで特に有用である。
  論文  参考訳（メタデータ） (2025-05-19T21:08:14Z)
• 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)
• Online scalable Gaussian processes with conformal prediction for guaranteed coverage [32.21093722162573]
  結果として生じる不確実な値の整合性は、学習関数がGPモデルで指定された特性に従うという前提に基づいている。 提案するGPは,分散のない後処理フレームワークである共形予測(CP)を用いて,有意なカバレッジで予測セットを生成する。
  論文  参考訳（メタデータ） (2024-10-07T19:22:15Z)
• Adjusting Regression Models for Conditional Uncertainty Calibration [46.69079637538012]
  本稿では,分割共形予測手法を適用して条件付きカバレッジを改善するために,回帰関数を訓練する新しいアルゴリズムを提案する。 本研究では,条件付きカバレッジと名目付きカバレッジ率の差分を求める上限を確立し,この上限値を制御するためのエンドツーエンドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-26T01:55:45Z)
• 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。