論文の概要: Questioning the Coverage-Length Metric in Conformal Prediction: When Shorter Intervals Are Not Better

• arxiv url: http://arxiv.org/abs/2601.21455v1
• Date: Thu, 29 Jan 2026 09:31:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.701492
• Title: Questioning the Coverage-Length Metric in Conformal Prediction: When Shorter Intervals Are Not Better
• Title（参考訳）: コンフォーマル予測における被覆長尺度の問合せ:短区間が改善しなかった場合
• Authors: Yizhou Min, Yizhou Lu, Lanqi Li, Zhen Zhang, Jiaye Teng,
• Abstract要約: コンフォーマル予測(CP)は分布のない不確実性定量化の基礎となっている。 この研究は、これらの標準メトリクスの十分性について批判的に検証する。 偏差トリック (PT) と呼ばれる反直観的アプローチにより, 間隔長が知覚的に改善されることが実証された。
• 参考スコア（独自算出の注目度）: 8.898113982504247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) has become a cornerstone of distribution-free uncertainty quantification, conventionally evaluated by its coverage and interval length. This work critically examines the sufficiency of these standard metrics. We demonstrate that the interval length might be deceptively improved through a counter-intuitive approach termed Prejudicial Trick (PT), while the coverage remains valid. Specifically, for any given test sample, PT probabilistically returns an interval, which is either null or constructed using an adjusted confidence level, thereby preserving marginal coverage. While PT potentially yields a deceptively lower interval length, it introduces practical vulnerabilities: the same input can yield completely different prediction intervals across repeated runs of the algorithm. We formally derive the conditions under which PT achieves these misleading improvements and provides extensive empirical evidence across various regression and classification tasks. Furthermore, we introduce a new metric interval stability which helps detect whether a new CP method implicitly improves the length based on such PT-like techniques.
• Abstract（参考訳）: コンフォーマル予測(CP)は分布のない不確実性定量化の基礎となり、従来はその範囲と間隔長によって評価されてきた。 この研究は、これらの標準メトリクスの十分性について批判的に検証する。 範囲長は,PT (Prejudicial Trick) と呼ばれる反直観的アプローチによって認知的に改善される可能性があるが,カバー範囲は依然として有効である。 具体的には、任意のテストサンプルに対して、PTは確率的に区間を返し、これはヌルか調整された信頼度レベルを用いて構成される。 PTは知覚的に低い間隔長を生じる可能性があるが、実際的な脆弱性が生じる:同じ入力はアルゴリズムの繰り返し実行間で全く異なる予測間隔を得ることができる。 我々は、PTがこれらの誤解を招く改善を実現する条件を正式に導出し、様々な回帰および分類タスクにまたがる広範な実証的証拠を提供する。 さらに,新しいCP法がPTライクな手法で暗黙的に長さを向上するかどうかを検出するために,新しい距離間隔安定性を導入する。

関連論文リスト

• Stopping Rules for Stochastic Gradient Descent via Anytime-Valid Confidence Sequences [51.56484100374058]
  凸最適化のための勾配降下(SGD)の停止規則について検討した。 我々は、投影されたSGDの重み付き平均準最適度に対して、任意の有意、データ依存の高信頼シーケンスを開発する。 これらは、厳格でタイムユニフォームなパフォーマンス保証と、有限時間$varepsilon$-optimality証明書である。
  論文  参考訳（メタデータ） (2025-12-15T09:26:45Z)
• Relevance-Aware Thresholding in Online Conformal Prediction for Time Series [1.8744230606349503]
  オンラインコンフォーマル予測(OCP)は、時間とともにデータ分散がシフトする問題に対処するオプションである。 本稿では,2値評価(内/外)をより広範な機能クラスに置き換えることにより,しきい値更新ステップの強化を提案する。 このアプローチは、急激な閾値変化を防止し、予測間隔を狭める可能性がある。
  論文  参考訳（メタデータ） (2025-10-03T08:31:14Z)
• Conformal Prediction for Signal Temporal Logic Inference [13.843989967082031]
  信号時間論理(STL)推論は時系列データから人間の解釈可能な規則を抽出しようとする。 既存のメソッドには、推論されたルールに対する正式な信頼性保証がない。 STL推論のためのエンドツーエンドの差別化可能なCPフレームワークを導入し、信頼性と解釈性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-09-29T20:25:02Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• Optimal Change-Point Detection with Training Sequences in the Large and Moderate Deviations Regimes [72.68201611113673]
  本稿では,情報理論の観点から,新しいオフライン変化点検出問題について検討する。 基礎となる事前および変更後分布の知識は分かっておらず、利用可能なトレーニングシーケンスからのみ学習できると仮定する。
  論文  参考訳（メタデータ） (2020-03-13T23:39:40Z)

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。