論文の概要: Approximate full conformal prediction in RKHS

• arxiv url: http://arxiv.org/abs/2601.13102v1
• Date: Mon, 19 Jan 2026 14:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.93086
• Title: Approximate full conformal prediction in RKHS
• Title（参考訳）: RKHSにおける近似完全共形予測
• Authors: Davidson Lova Razafindrakoto, Alain Celisse, Jérôme Lacaille,
• Abstract要約: 完全共形予測は、広範囲の推定器に対して分布自由な信頼性予測領域を暗黙的に定式化するフレームワークである。 本研究の主な目的は、効率よく計算できる完全共形予測領域に厳密な近似を設計するための一般的な戦略を記述することである。
• 参考スコア（独自算出の注目度）: 1.2234742322758416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Full conformal prediction is a framework that implicitly formulates distribution-free confidence prediction regions for a wide range of estimators. However, a classical limitation of the full conformal framework is the computation of the confidence prediction regions, which is usually impossible since it requires training infinitely many estimators (for real-valued prediction for instance). The main purpose of the present work is to describe a generic strategy for designing a tight approximation to the full conformal prediction region that can be efficiently computed. Along with this approximate confidence region, a theoretical quantification of the tightness of this approximation is developed, depending on the smoothness assumptions on the loss and score functions. The new notion of thickness is introduced for quantifying the discrepancy between the approximate confidence region and the full conformal one.
• Abstract（参考訳）: 完全共形予測は、広範囲の推定器に対して分布自由な信頼性予測領域を暗黙的に定式化するフレームワークである。 しかし、完全共形フレームワークの古典的な制限は、信頼予測領域の計算であり、これは通常、無限に多くの推定器(例えば実数値予測)を訓練する必要があるため不可能である。 本研究の主な目的は、効率よく計算できる完全共形予測領域に厳密な近似を設計するための一般的な戦略を記述することである。 この近似信頼領域とともに、損失とスコア関数の滑らかさの仮定に応じて、近似の厳密性の理論的定量化が展開される。 新しい厚みの概念は、近似信頼領域と完全共形領域との差を定量化するために導入された。

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)
• JAPAN: Joint Adaptive Prediction Areas with Normalising-Flows [7.200880964149064]
  コンフォーマル予測は、有限サンプルの妥当性を保証する不確実性定量化のためのモデルに依存しないフレームワークを提供する。 既存のアプローチは通常、幾何的制約を課す残差ベースの整合性スコアに依存する。 本稿では,密度に基づく適合度スコアを用いた共形予測フレームワークである日本(Joint Adaptive Prediction Areas with Normalising-Flows)を紹介する。
  論文  参考訳（メタデータ） (2025-05-29T07:34:51Z)
• Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [1.3812010983144802]
  本研究は,適応整形推論(ACI)の望ましい性質が整形予測器(CP)の使用を必要としないことを示す。 非互換信頼予測器(NCCP)の非交換データに対するACI使用時のCPに対する性能を実証的に検討した。
  論文  参考訳（メタデータ） (2024-09-23T21:02:33Z)
• 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)
• Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation [18.928543069018865]
  等角予測は分布仮定を避ける一つの方法である。 しかし、予測領域をマージすることで、コンフォメーションスコアに存在する構造が犠牲になり、保守性はさらに低下する。 そこで本研究では,新しいフレームワークを分類と予測列最適化の両方で効果的に活用できることを述べる。
  論文  参考訳（メタデータ） (2024-05-25T14:11:01Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)

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。