論文の概要: Multi-Distribution Robust Conformal Prediction

• arxiv url: http://arxiv.org/abs/2601.02998v1
• Date: Tue, 06 Jan 2026 13:22:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.944173
• Title: Multi-Distribution Robust Conformal Prediction
• Title（参考訳）: マルチディストリビューションロバストコンフォーマル予測
• Authors: Yuqi Yang, Ying Jin,
• Abstract要約: 複数の異種分布に対して一様に有効である共形予測集合を構築することの問題点について検討する。 まず,有限サンプル・複数分布カバレッジを実現する最大pアグリゲーション方式を提案する。 本稿では,グループ単位での分散的ロバストな最適化,サブポピュレーションシフト,公平性,マルチソース学習との関連性について論じる。
• 参考スコア（独自算出の注目度）: 15.5300376981723
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many fairness and distribution robustness problems, one has access to labeled data from multiple source distributions yet the test data may come from an arbitrary member or a mixture of them. We study the problem of constructing a conformal prediction set that is uniformly valid across multiple, heterogeneous distributions, in the sense that no matter which distribution the test point is from, the coverage of the prediction set is guaranteed to exceed a pre-specified level. We first propose a max-p aggregation scheme that delivers finite-sample, multi-distribution coverage given any conformity scores associated with each distribution. Upon studying several efficiency optimization programs subject to uniform coverage, we prove the optimality and tightness of our aggregation scheme, and propose a general algorithm to learn conformity scores that lead to efficient prediction sets after the aggregation under standard conditions. We discuss how our framework relates to group-wise distributionally robust optimization, sub-population shift, fairness, and multi-source learning. In synthetic and real-data experiments, our method delivers valid worst-case coverage across multiple distributions while greatly reducing the set size compared with naively applying max-p aggregation to single-source conformity scores, and can be comparable in size to single-source prediction sets with popular, standard conformity scores.
• Abstract（参考訳）: 多くの公平性や分布堅牢性の問題では、複数のソース分布からラベル付きデータにアクセスすることができるが、テストデータは任意のメンバーまたはそれらの混合から来るかもしれない。 テストポイントがどの分布であっても、予測セットのカバレッジが予め指定されたレベルを超えることが保証されるという意味で、複数の不均一分布に対して均一に有効である共形予測セットを構築することの課題について検討する。 まず、各分布に関連付けられた整合性スコアを考慮し、有限サンプル多重分布カバレッジを提供する最大pアグリゲーション方式を提案する。 統一被覆条件下での効率最適化プログラムについて検討する際,アグリゲーションスキームの最適性と厳密性を証明し,標準条件下でのアグリゲーション後の効率的な予測セットを導出する整合性スコアを学習するための一般アルゴリズムを提案する。 本稿では,グループ単位での分散的ロバストな最適化,サブポピュレーションシフト,公平性,マルチソース学習との関連性について論じる。 合成および実データ実験において,本手法は,単一ソース適合度スコアに極大pアグリゲーションを適用した場合と比較して,複数の分布にまたがって有効な最悪ケースカバレッジを実現するとともに,最大pアグリゲーションを1つのソース適合度スコアに適用した場合と比較して,設定サイズを大幅に削減し,一般的な標準適合度スコアを持つ単一ソース予測セットに匹敵する。

関連論文リスト

• 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)
• Aggregating Conformal Prediction Sets via α-Allocation [22.63151097928744]
  この研究は、複数の共形予測セットにまたがる信頼度を最適に割り当てる原理的な集約戦略を導入する。 合成および実世界のデータセットの実験では、COLAは最先端のベースラインよりもかなり小さな予測セットを達成している。
  論文  参考訳（メタデータ） (2025-11-15T07:11:21Z)
• Class conditional conformal prediction for multiple inputs by p-value aggregation [11.198836025239963]
  分類タスクに対する共形予測手法に革新的改良を導入する。 我々のアプローチは、同じ植物や動物の複数の画像が個人によってキャプチャされる市民科学の応用によって動機付けられています。 本手法をシミュレーションおよび実データで評価し,特に著名な市民科学プラットフォームPl@ntNetに着目した。
  論文  参考訳（メタデータ） (2025-07-09T09:17:17Z)
• Direct Distributional Optimization for Provable Alignment of Diffusion Models [39.048284342436666]
  分布最適化の観点から拡散モデルの新しいアライメント手法を提案する。 まず、確率分布に対する一般正規化損失最小化として問題を定式化する。 本研究では,Doob の $h$-transform 技術を用いてスコア関数を近似することにより,学習した分布からのサンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-02-05T07:35:15Z)
• 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)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Posterior Conformal Prediction [11.576645675675096]
  コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。 本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。 社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:09:07Z)
• 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)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)

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。