論文の概要: Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization

• arxiv url: http://arxiv.org/abs/2512.15383v1
• Date: Wed, 17 Dec 2025 12:36:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.97928
• Title: Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization
• Title（参考訳）: 高速なトランスダクティブ標準化による解釈可能な多変量等角予測
• Authors: Yunjie Fan, Matteo Sesia,
• Abstract要約: 本稿では,複数の,潜在的に関連する数値出力に対して,厳密な同時予測区間を構築するための共形予測手法を提案する。 この方法は、任意のマルチターゲット回帰モデルと組み合わせて、有限サンプルカバレッジを保証する。 中心となる考え方は、出力次元にまたがる残差を直接的に比較する新しいエンフィコーディネートワイド標準化手順である。
• 参考スコア（独自算出の注目度）: 11.505405148959618
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a conformal prediction method for constructing tight simultaneous prediction intervals for multiple, potentially related, numerical outputs given a single input. This method can be combined with any multi-target regression model and guarantees finite-sample coverage. It is computationally efficient and yields informative prediction intervals even with limited data. The core idea is a novel \emph{coordinate-wise} standardization procedure that makes residuals across output dimensions directly comparable, estimating suitable scaling parameters using the calibration data themselves. This does not require modeling of cross-output dependence nor auxiliary sample splitting. Implementing this idea requires overcoming technical challenges associated with transductive or full conformal prediction. Experiments on simulated and real data demonstrate this method can produce tighter prediction intervals than existing baselines while maintaining valid simultaneous coverage.
• Abstract（参考訳）: 本稿では,複数の,潜在的に関連性のある数値出力に対して,単一入力に対して厳密な同時予測間隔を構築するための共形予測手法を提案する。 この方法は、任意のマルチターゲット回帰モデルと組み合わせて、有限サンプルカバレッジを保証する。 計算効率が良く、限られたデータでも情報的な予測間隔が得られる。 中心となる考え方は、出力次元の残差を直接的に比較し、キャリブレーションデータ自体を用いて適切なスケーリングパラメータを推定する、新しい 'emph{coordinate-wise} 標準化手順である。 これは、クロスアウトプット依存のモデリングや補助的なサンプル分割を必要としない。 このアイデアを実装するには、トランスダクティブまたは完全な共形予測に関連する技術的課題を克服する必要がある。 シミュレーションおよび実データを用いた実験により,本手法は,有効な同時カバレッジを維持しつつ,既存のベースラインよりも厳密な予測間隔が得られることを示した。

関連論文リスト

• ResCP: Reservoir Conformal Prediction for Time Series Forecasting [39.81023599249223]
  コンフォーマル予測は、交換可能なデータに対して、分散のない予測間隔を構築するための強力なフレームワークを提供する。 本稿では,Reservoir Conformal Prediction (ResCP)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T17:37:44Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• Conformal histogram regression [15.153110906331737]
  本稿では,スキューデータに自動的に適応可能な非パラメトリック回帰の予測間隔を計算するためのコンフォメーション手法を提案する。 ブラックボックス機械学習アルゴリズムを活用して、その出力を近似条件付きの最短予測間隔に変換する。 得られた予測間隔は、ブラックボックスモデルが一貫性のある場合、条件付きカバレッジと最適な長さを達成しながら、有限サンプルにおいて確実に限界カバレッジを有する。
  論文  参考訳（メタデータ） (2021-05-18T18:05:02Z)

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。