論文の概要: CalPro: Prior-Aware Evidential--Conformal Prediction with Structure-Aware Guarantees for Protein Structures

• arxiv url: http://arxiv.org/abs/2601.07201v1
• Date: Mon, 12 Jan 2026 04:49:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.216545
• Title: CalPro: Prior-Aware Evidential--Conformal Prediction with Structure-Aware Guarantees for Protein Structures
• Title（参考訳）: CalPro:タンパク質構造に対する構造認識保証を用いた事前認識型コンフォーマル予測
• Authors: Ibne Farabi Shihab, Sanjeda Akter, Anuj Sharma,
• Abstract要約: CalProは、シフト・ロバスト不確実性定量化のための事前認識の明らかなコンフォーマルなフレームワークである。 アンビグニティ集合上のPAC-ベイジアン境界を用いた分布シフトによる構造認識カバレッジ保証を導出する。 また,CalProは,事前情報のある地域では,標準のコンフォメーション手法よりも厳密な間隔を保ちながら,ほぼ最小のカバレッジを維持していることを示す。
• 参考スコア（独自算出の注目度）: 6.908972852063454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep protein structure predictors such as AlphaFold provide confidence estimates (e.g., pLDDT) that are often miscalibrated and degrade under distribution shifts across experimental modalities, temporal changes, and intrinsically disordered regions. We introduce CalPro, a prior-aware evidential-conformal framework for shift-robust uncertainty quantification. CalPro combines (i) a geometric evidential head that outputs Normal-Inverse-Gamma predictive distributions via a graph-based architecture; (ii) a differentiable conformal layer that enables end-to-end training with finite-sample coverage guarantees; and (iii) domain priors (disorder, flexibility) encoded as soft constraints. We derive structure-aware coverage guarantees under distribution shift using PAC-Bayesian bounds over ambiguity sets, and show that CalPro maintains near-nominal coverage while producing tighter intervals than standard conformal methods in regions where priors are informative. Empirically, CalPro exhibits at most 5% coverage degradation across modalities (vs. 15-25% for baselines), reduces calibration error by 30-50%, and improves downstream ligand-docking success by 25%. Beyond proteins, CalPro applies to structured regression tasks in which priors encode local reliability, validated on non-biological benchmarks.
• Abstract（参考訳）: AlphaFoldのような深部タンパク質構造予測器は、実験的なモーダル、時間的変化、本質的に乱れた領域の分布シフトにおいてしばしば誤校正され分解される信頼推定(例えばpLDDT)を提供する。 シフト・ロバスト不確実性定量化のための事前認識型明確・コンフォーマルなフレームワークであるCalProを紹介する。 CalProが組み合わさる i) グラフに基づくアーキテクチャを通して正規-逆-ガンマ予測分布を出力する幾何学的顕在ヘッド (ii)有限サンプルカバレッジ保証によるエンドツーエンドのトレーニングを可能にする識別可能なコンフォメーション層、及び 三 ドメインの事前(秩序、柔軟性)をソフトな制約としてエンコードする。 PAC-Bayesian 境界をあいまい性集合上での分布シフトによる構造意識のカバレッジ保証を導出し,CalPro は事前情報のある領域における標準コンフォメーション法よりも厳密な間隔を保ちながら,ほぼ最小のカバレッジを維持していることを示す。 実証的に、CalProは、モダリティ全体の5%のカバレッジ低下(ベースラインは15-25%)を示し、キャリブレーションエラーを30-50%削減し、下流のリガンドドッキングの成功を25%改善している。 CalProはタンパク質以外にも、非生物学的ベンチマークで検証された局所的な信頼性をエンコードする構造化回帰タスクにも適用されている。

関連論文リスト

• Conformal Prediction Meets Long-tail Classification [5.3663546125491735]
  Conformal Prediction (CP) 法は、長い尾のラベルの分布の下でクラス間で不均衡なカバレッジを示すことが多い。 そこで本研究では,タイル・アウェア・コンフォーマル・予測(TACP)手法を提案する。
  論文  参考訳（メタデータ） (2025-08-15T09:14:46Z)
• 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)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Epistemic Uncertainty in Conformal Scores: A Unified Approach [2.449909275410288]
  等角予測法は、分布のない保証を持つ予測帯域を生成するが、不確実性を明示的に捉えることはできない。 モデルに依存しないアプローチである $texttEPICSCORE$ を導入する。 $texttEPICSCORE$は、限られたデータを持つ領域の予測間隔を適応的に拡張し、データが豊富であるコンパクト間隔を維持します。
  論文  参考訳（メタデータ） (2025-02-10T19:42:54Z)
• On the Convergence of DP-SGD with Adaptive Clipping [56.24689348875711]
  勾配クリッピングによるグラディエントDescentは、微分プライベート最適化を実現するための強力な技術である。 本稿では,量子クリッピング(QC-SGD)を用いたSGDの総合収束解析について述べる。 本稿では,QC-SGDが一定閾値クリッピングSGDに類似したバイアス問題にどのように悩まされているかを示す。
  論文  参考訳（メタデータ） (2024-12-27T20:29:47Z)
• 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)
• Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model [24.58531056536442]
  整形予測(CP)は、テスト入力上の集合を予測することによって不確実性を扱う。 このカバレッジは、キャリブレーションとテストデータセットの差分分布が$P_X$であったとしても、テストデータ上で保証することができる。 本稿では,上界を小さくする物理インフォームド構造因果モデル(PI-SCM)を提案する。
  論文  参考訳（メタデータ） (2024-03-22T08:13:33Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。