論文の概要: Bayesian Conformal Prediction as a Decision Risk Problem

• arxiv url: http://arxiv.org/abs/2602.03331v1
• Date: Tue, 03 Feb 2026 09:58:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.377506
• Title: Bayesian Conformal Prediction as a Decision Risk Problem
• Title（参考訳）: 決定リスク問題としてのベイズ等角予測
• Authors: Fanyi Wu, Veronika Lohmanova, Samuel Kaski, Michele Caprio,
• Abstract要約: BCPは、分割された共形予測に匹敵する大きさの予測セットを得る。 名前付きカバレッジが80%のスパースレグレッションでは、BCPは未特定の条件下で81%の経験的カバレッジを達成している。
• 参考スコア（独自算出の注目度）: 20.21455697379946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian posterior predictive densities as non-conformity scores and Bayesian quadrature are used to estimate and minimise the expected prediction set size. Operating within a split conformal framework, BCP provides valid coverage guarantees and demonstrates reliable empirical coverage under model misspecification. Across regression and classification tasks, including distribution-shifted settings such as ImageNet-A, BCP yields prediction sets of comparable size to split conformal prediction, while exhibiting substantially lower run-to-run variability in set size. In sparse regression with nominal coverage of 80 percent, BCP achieves 81 percent empirical coverage under a misspecified prior, whereas Bayesian credible intervals under-cover at 49 percent.
• Abstract（参考訳）: 非整合性スコアやベイズ二次といったベイズ後続の予測密度は、予測セットのサイズを推定し、最小化するために用いられる。 分割型コンフォメーションフレームワーク内で運用されているため、BCPは有効なカバレッジ保証を提供し、モデル不特定の下で信頼性の高い経験的カバレッジを示す。 ImageNet-Aのような分散シフトした設定を含む回帰処理と分類タスク全体において、BCPは、設定サイズのラン・トゥ・ランのばらつきを著しく低くしながら、同等の大きさの予測セットを分割整合予測に出力する。 BCPは80パーセントという名目的範囲で低いレグレッションをしており、BCPは81%の経験的カバレッジを未特定の条件下で達成しているのに対し、ベイズ的信頼区間は49%で未発見である。

関連論文リスト

• ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
  コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。 BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。 本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T07:18:35Z)
• 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)
• Probabilistic Conformal Coverage Guarantees in Small-Data Settings [0.02648566468224904]
  等角予測は、周縁被覆が保証された分布自由予測セットを提供する。 分割共形予測では、この保証はトレーニング条件でのみ期待される。 この分散は、実用的な応用において効果的なリスク制御を損なう。
  論文  参考訳（メタデータ） (2025-09-18T18:41:50Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
  ユーザ定義サブセット間の一貫したカバレッジ率を確保することにより、標準コンフォメーション予測を強化するビン条件コンフォメーション予測(BCCP)を導入する。 標準共形予測と比較すると、BCCPは局所的カバレッジを改善するが、これはわずかに広い予測間隔のコストがかかる。
  論文  参考訳（メタデータ） (2024-10-18T14:41:42Z)
• 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)
• 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)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)

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。