論文の概要: AdaptNC: Adaptive Nonconformity Scores for Uncertainty-Aware Autonomous Systems in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2602.01629v1
- Date: Mon, 02 Feb 2026 04:41:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-03 19:28:33.903653
- Title: AdaptNC: Adaptive Nonconformity Scores for Uncertainty-Aware Autonomous Systems in Dynamic Environments
- Title（参考訳）: AdaptNC: 動的環境における不確実性を考慮した自律システムのための適応的非整合スコア
- Authors: Renukanandan Tumu, Aditya Singh, Rahul Mangharam,
- Abstract要約: コンフォーマル予測法は、コンフォーマル閾値を適応的にスケーリングすることで目標範囲を維持する。
この固定幾何は, 環境が構造変化を起こすと, 極めて保守的で, 容積非効率な予測領域につながることを示す。
非整合スコアパラメータと整合しきい値の両方をオンライン化するためのフレームワークである textbfAdaptNC を提案する。
- 参考スコア（独自算出の注目度）: 7.201566646241765
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Rigorous uncertainty quantification is essential for the safe deployment of autonomous systems in unconstrained environments. Conformal Prediction (CP) provides a distribution-free framework for this task, yet its standard formulations rely on exchangeability assumptions that are violated by the distribution shifts inherent in real-world robotics. Existing online CP methods maintain target coverage by adaptively scaling the conformal threshold, but typically employ a static nonconformity score function. We show that this fixed geometry leads to highly conservative, volume-inefficient prediction regions when environments undergo structural shifts. To address this, we propose \textbf{AdaptNC}, a framework for the joint online adaptation of both the nonconformity score parameters and the conformal threshold. AdaptNC leverages an adaptive reweighting scheme to optimize score functions, and introduces a replay buffer mechanism to mitigate the coverage instability that occurs during score transitions. We evaluate AdaptNC on diverse robotic benchmarks involving multi-agent policy changes, environmental changes and sensor degradation. Our results demonstrate that AdaptNC significantly reduces prediction region volume compared to state-of-the-art threshold-only baselines while maintaining target coverage levels.
- Abstract（参考訳）: 厳密な不確実性定量化は、制約のない環境における自律システムの安全な配置に不可欠である。
コンフォーマル予測(CP)は、このタスクのための分散のないフレームワークを提供するが、その標準的な定式化は、現実世界のロボット工学に固有の分布シフトに反する交換可能性の仮定に依存する。
既存のオンラインCP手法は、整合閾値を適応的にスケーリングすることで目標範囲を維持するが、通常静的な非整合スコア関数を使用する。
この固定幾何は, 環境が構造変化を起こすと, 極めて保守的で, 容積非効率な予測領域につながることを示す。
そこで本稿では,非整合スコアパラメータと整合しきい値の両方をオンライン化するためのフレームワークである「textbf{AdaptNC}」を提案する。
AdaptNCは適応的な再重み付け方式を利用してスコア関数を最適化し、スコア遷移中に発生するカバレッジ不安定を緩和するリプレイバッファ機構を導入する。
マルチエージェントポリシーの変更,環境変化,センサ劣化などを含む多様なロボットベンチマークにおけるAdaptNCの評価を行った。
以上の結果から,AdaptNCは目標カバレッジレベルを維持しつつ,最先端のしきい値のみのベースラインに比べて予測領域の容積を著しく減少させることが示された。
関連論文リスト
- Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。
SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。
複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2026-02-01T12:56:10Z) - Spatially-Adaptive Conformal Graph Transformer for Indoor Localization in Wi-Fi Driven Networks [2.3284243982999615]
空間適応型コンフォーマルグラフ変換器 (SAC-GT) は, 高精度で信頼性の高い屋内ローカライゼーションのためのフレームワークである。
SAC-GTは、ネットワークの空間トポロジと信号強度のダイナミクスを捉えるグラフトランスフォーマー(GT)モデルと、新しい空間適応型コンフォーマル予測(SACP)手法を統合する。
これにより、SAC-GTは正確な2次元位置予測だけでなく、様々な環境条件に合わせて統計的に有効な信頼領域を生成することができる。
論文 参考訳（メタデータ） (2026-01-29T21:06:45Z) - Adaptive Regime-Switching Forecasts with Distribution-Free Uncertainty: Deep Switching State-Space Models Meet Conformal Prediction [38.37518767859008]
適応等角推論(Adaptive Conformal Inference, ACI)と集約変種(AgACI)を結合したDeep Switching State Space Modelsによるレシエーションスイッチング予測の分布自由不確実性について検討する。
また、S4, MC-Dropout GRU, スパースガウス過程を含む強力なシーケンスベースライン上に位置する統一型コンフォメーションラッパーを導入し、非定常性とモデル不特定性の下で有限サンプルの限界保証付きオンライン予測バンドを生成するための変更点局所モデルを提案する。
論文 参考訳（メタデータ） (2025-12-02T23:21:01Z) - Adapting to Fragmented and Evolving Data: A Fisher Information Perspective [0.0]
FADEは動的環境下での堅牢な学習のための軽量フレームワークである。
フィッシャー情報幾何学に固定されたシフトアウェアの正規化機構を採用している。
FADEは固定メモリでオンラインで動作し、ターゲットラベルにアクセスできない。
論文 参考訳（メタデータ） (2025-07-25T06:50:09Z) - Temporal Conformal Prediction (TCP): A Distribution-Free Statistical and Machine Learning Framework for Adaptive Risk Forecasting [0.0]
TCPは、非定常時系列において、よく校正された予測間隔を構築するための分散フリーフレームワークである。
TCPは、ローリングウィンドウ上に分割等角キャリブレーション層を持つ現代の量子予測器を結合する。
危機風の可視化では、TCP/TCP-RMが膨張し、すぐに間隔帯をボラティリティのスパイクと後退として収縮する。
論文 参考訳（メタデータ） (2025-07-07T20:44:31Z) - WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts [4.192712667327956]
本稿では,変分オートエンコーダ(VAE)から得られた復元損失を,スコア関数をスケールする不確実性指標として紹介する。
重み付き交換可能性の概念を取り入れてRL SCPを改良した量子損失スケールコンフォーマル予測(WQLCP)を提案する。
論文 参考訳（メタデータ） (2025-05-26T07:00:15Z) - 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) - Adaptive Conformal Inference by Betting [51.272991377903274]
データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。
適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。
本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
論文 参考訳（メタデータ） (2024-12-26T18:42:08Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳（メタデータ） (2023-05-27T19:57:27Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z)
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。