論文の概要: eCP: Informative uncertainty quantification via Equivariantized Conformal Prediction with pre-trained models

• arxiv url: http://arxiv.org/abs/2602.03986v1
• Date: Tue, 03 Feb 2026 20:18:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.262368
• Title: eCP: Informative uncertainty quantification via Equivariantized Conformal Prediction with pre-trained models
• Title（参考訳）: eCP: 事前学習モデルを用いた等変等式予測によるインフォーマティブ不確実性定量化
• Authors: Nikolaos Bousias, Lars Lindemann, George Pappas,
• Abstract要約: 我々は、事前学習されたモデルの群対称性が共形予測(CP)に及ぼす影響について検討する。 本研究では,事前学習した予測器の群分割による幾何情報を用いてCPを注入し,非整合質量を軌道に分散する手法を提案する。 提案手法では, コンベックス次数の増加に伴う非整合性スコアが良好に得られ, 指数的なテール境界が向上し, 予想される共形予測セットがよりシャープになった。
• 参考スコア（独自算出の注目度）: 3.1424353049227727
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the effect of group symmetrization of pre-trained models on conformal prediction (CP), a post-hoc, distribution-free, finite-sample method of uncertainty quantification that offers formal coverage guarantees under the assumption of data exchangeability. Unfortunately, CP uncertainty regions can grow significantly in long horizon missions, rendering the statistical guarantees uninformative. To that end, we propose infusing CP with geometric information via group-averaging of the pretrained predictor to distribute the non-conformity mass across the orbits. Each sample now is treated as a representative of an orbit, thus uncertainty can be mitigated by other samples entangled to it via the orbit inducing elements of the symmetry group. Our approach provably yields contracted non-conformity scores in increasing convex order, implying improved exponential-tail bounds and sharper conformal prediction sets in expectation, especially at high confidence levels. We then propose an experimental design to test these theoretical claims in pedestrian trajectory prediction.
• Abstract（参考訳）: 本研究では,データ交換可能性を考慮した形式的カバレッジ保証を提供する不確実性定量化法として,事前学習モデルの群対称性が共形予測(CP)に及ぼす影響について検討する。 残念なことに、CPの不確実領域は長い地平線ミッションで著しく成長し、統計的保証は非形式的である。 そこで我々は,事前学習した予測器の群分割による幾何情報を用いてCPを注入し,非整合質量を軌道に分散する手法を提案する。 現在、各サンプルは軌道の代表として扱われているため、対称性群の要素を誘導することで、他のサンプルと絡み合うことで不確実性を緩和することができる。 提案手法では, コンベックス次数の増加に伴う非整合性スコアが良好に得られ, 特に高い信頼度において, 期待値の指数尾境界とよりシャープな共形予測セットが期待できる。 次に,歩行者軌道予測において,これらの理論的主張を検証するための実験的設計を提案する。

関連論文リスト

• Quantifying Epistemic Predictive Uncertainty in Conformal Prediction [11.09458914721516]
  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。
  論文  参考訳（メタデータ） (2026-02-02T05:38:07Z)
• 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)
• 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)
• Generative Conformal Prediction with Vectorized Non-Conformity Scores [6.059745771017814]
  コンフォーマル予測は、保証されたカバレッジでモデルに依存しない不確実性定量化を提供する。 ベクトル化された非整合性スコアを持つ生成共形予測フレームワークを提案する。 我々は密度ランクの不確かさ球を用いた適応不確かさ集合を構築する。
  論文  参考訳（メタデータ） (2024-10-17T16:37:03Z)
• Invariant Probabilistic Prediction [45.90606906307022]
  任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
  論文  参考訳（メタデータ） (2023-09-18T18:50:24Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。