論文の概要: Enhanced Multi-model Online Conformal Prediction

• arxiv url: http://arxiv.org/abs/2601.01692v1
• Date: Sun, 04 Jan 2026 23:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.650593
• Title: Enhanced Multi-model Online Conformal Prediction
• Title（参考訳）: マルチモデルオンラインコンフォーマル予測の強化
• Authors: Erfan Hajihashemi, Yanning Shen,
• Abstract要約: コンフォーマル予測(Conformal prediction)は、未確認データの予測セットを構成する不確実性定量化のためのフレームワークである。 これらの予測セットの効率は、そのサイズによって測定され、基礎となる学習モデルの選択に依存する。 この研究は、計算複雑性を低減し、予測効率を向上させる、新しいマルチモデルオンライン共形予測アルゴリズムを開発する。
• 参考スコア（独自算出の注目度）: 25.495949162960624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction is a framework for uncertainty quantification that constructs prediction sets for previously unseen data, guaranteeing coverage of the true label with a specified probability. However, the efficiency of these prediction sets, measured by their size, depends on the choice of the underlying learning model. Relying on a single fixed model may lead to suboptimal performance in online environments, as a single model may not consistently perform well across all time steps. To mitigate this, prior work has explored selecting a model from a set of candidates. However, this approach becomes computationally expensive as the number of candidate models increases. Moreover, poorly performing models in the set may also hinder the effectiveness. To tackle this challenge, this work develops a novel multi-model online conformal prediction algorithm that reduces computational complexity and improves prediction efficiency. At each time step, a bipartite graph is generated to identify a subset of effective models, from which a model is selected to construct the prediction set. Experiments demonstrate that our method outperforms existing multi-model conformal prediction techniques in terms of both prediction set size and computational efficiency.
• Abstract（参考訳）: コンフォーマル予測(Conformal prediction)は、未確認データの予測セットを構成する不確実性定量化のためのフレームワークであり、特定の確率で真のラベルのカバレッジを保証する。 しかし、これらの予測セットの効率は、そのサイズによって測定され、基礎となる学習モデルの選択に依存する。 単一の固定モデルによるリライディングは、オンライン環境での最適以下のパフォーマンスにつながる可能性がある。 これを軽減するために、先行研究では、候補の集合からモデルを選択することを検討した。 しかし、候補モデルの数が増加するにつれて、このアプローチは計算的に高価になる。 さらに、セット内の性能の悪いモデルも効果を阻害する可能性がある。 この課題に対処するため,本研究では,計算複雑性を低減し,予測効率を向上する,新しいマルチモデルオンライン共形予測アルゴリズムを開発した。 各段階において、2部グラフを生成して有効モデルのサブセットを特定し、そこからモデルを選択して予測セットを構築する。 実験により,提案手法は,予測セットのサイズと計算効率の両面から,既存の多モデル共形予測手法よりも優れていることが示された。

関連論文リスト

• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• Multi-model Online Conformal Prediction with Graph-Structured Feedback [25.495949162960624]
  本稿では,新しい多モデルオンライン共形予測アルゴリズムを提案する。 バイパーティイトグラフからフィードバックを収集することで、各ステップで有効なモデルのサブセットを特定する。 そして、このサブセットからモデルを選択して予測セットを構築し、計算複雑性を減らし、予測セットを小さくする。
  論文  参考訳（メタデータ） (2025-06-26T00:06:11Z)
• Conformal online model aggregation [36.191356601153146]
  コンフォーマル予測は、強い分布仮定を行うことなく、不確実性定量化の合理的な概念を機械学習モデルに装備する。 本稿では,複数の共形予測セットを取り込み,適応的に組み合わされた1つの予測セットを出力するラッパーを提案する。 共形オンラインモデルアグリゲーション (COMA) と呼ばれる本手法は, 重み付け投票による複数のアルゴリズムからの予測セットの組み合わせに基づいている。
  論文  参考訳（メタデータ） (2024-03-22T15:40:06Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Post-Selection Confidence Bounds for Prediction Performance [2.28438857884398]
  機械学習では、潜在的に多くの競合モデルから有望なモデルを選択し、その一般化性能を評価することが重要な課題である。 本稿では,評価セットの予測性能に基づいて選択された複数のモデルに対して,有効な低信頼境界を求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-24T13:28:43Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Efficient Ensemble Model Generation for Uncertainty Estimation with Bayesian Approximation in Segmentation [74.06904875527556]
  アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。 提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。 また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
  論文  参考訳（メタデータ） (2020-05-21T16:08:38Z)

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。