論文の概要: Quantifying Epistemic Predictive Uncertainty in Conformal Prediction

• arxiv url: http://arxiv.org/abs/2602.01667v1
• Date: Mon, 02 Feb 2026 05:38:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.924538
• Title: Quantifying Epistemic Predictive Uncertainty in Conformal Prediction
• Title（参考訳）: コンフォーマル予測におけるてんかん予測の不確かさの定量化
• Authors: Siu Lun Chau, Soroush H. Zargarbashi, Yusuf Sale, Michele Caprio,
• Abstract要約: 本研究では,複数の予測モデルが存在することにより,予測時に直面する不確実性を定量化する問題について検討する。 軽微な仮定の下で、任意の完全共形予測手順が閉かつ凸な予測分布の集合を誘導することを示す最近の結果に基づいて構築する。 本研究では,その不確かさを定量化するために,emphMaximum Mean Imprecisionに基づく計算効率が高く,解析的に抽出可能な不確実性尺度を提案する。
• 参考スコア（独自算出の注目度）: 11.09458914721516
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of quantifying epistemic predictive uncertainty (EPU) -- that is, uncertainty faced at prediction time due to the existence of multiple plausible predictive models -- within the framework of conformal prediction (CP). To expose the implicit model multiplicity underlying CP, we build on recent results showing that, under a mild assumption, any full CP procedure induces a set of closed and convex predictive distributions, commonly referred to as a credal set. Importantly, the conformal prediction region (CPR) coincides exactly with the set of labels to which all distributions in the induced credal set assign probability at least $1-α$. As our first contribution, we prove that this characterisation also holds in split CP. Building on this connection, we then propose a computationally efficient and analytically tractable uncertainty measure, based on \emph{Maximum Mean Imprecision}, to quantify the EPU by measuring the degree of conflicting information within the induced credal set. Experiments on active learning and selective classification demonstrate that the quantified EPU provides substantially more informative and fine-grained uncertainty assessments than reliance on CPR size alone. More broadly, this work highlights the potential of CP serving as a principled basis for decision-making under epistemic uncertainty.
• Abstract（参考訳）: 共形予測 (CP) の枠組みの中で, 疫学予測の不確実性 (EPU) の定量化の問題, すなわち, 複数の可塑性予測モデルの存在により予測時に直面する不確実性について検討する。 CP の基盤となる暗黙的モデル多重度を明らかにするために, 軽微な仮定の下では, 完全な CP 手順は, 閉じた, 凸な予測分布の集合を誘導し, 一般にはクレダル集合(redal set)と呼ばれる。 重要なことに、共形予測領域(CPR)は、誘導されたクレダル集合の全ての分布が少なくとも1-α$の確率を割り当てるラベルの集合と正確に一致する。 最初のコントリビューションとして、この特性化が分割CPを担っていることを証明します。 そこで本稿では, この関係に基づいて, EPU を定量化するために, 誘導された干潟集合内の競合情報の度合いを計測し, 計算的に効率的かつ解析的に抽出可能な不確実性尺度を提案する。 アクティブラーニングと選択的分類の実験により、定量化 EPU は CPR のサイズのみに依存するよりも、はるかに情報的かつきめ細かな不確実性評価を提供することが示された。 より広範に、この研究は、先天的不確実性の下での意思決定の原則的基盤としてCPが機能する可能性を強調している。

関連論文リスト

• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Credal Ensemble Distillation for Uncertainty Quantification [12.36665123584814]
  本研究では, 深部アンサンブルを1つのモデル CREDIT に圧縮し, 分類処理を行うフレームワークとして, クレダルアンサンブル蒸留法を提案する。 CEDは、いくつかの既存のベースラインよりも優れた、あるいは同等の不確実性推定を実現し、深いアンサンブルよりも推論オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2025-11-14T14:53:42Z)
• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Conformal Depression Prediction [2.097941594997818]
  コンフォーマルうつ病予測(CDP)は、コンフォーマルうつ病予測(CP)に基づく不確実性定量化を備えたうつ病予測法である CDPはプラグ・アンド・プレイのモジュールで、モデルの再トレーニングも、うつ病データ分布の仮定も必要としない。 近似条件付き共形予測法であるCDP-ACCを提案する。
  論文  参考訳（メタデータ） (2024-05-29T03:08:30Z)
• Quantifying Deep Learning Model Uncertainty in Conformal Prediction [1.4685355149711297]
  コンフォーマル予測(Conformal Prediction)は、モデルの不確実性を表現するための有望なフレームワークである。 本稿では,最先端CP手法とその理論的基礎について考察する。
  論文  参考訳（メタデータ） (2023-06-01T16:37:50Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)

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。