論文の概要: Time-uniform conformal and PAC prediction

• arxiv url: http://arxiv.org/abs/2602.06297v1
• Date: Fri, 06 Feb 2026 01:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.181318
• Title: Time-uniform conformal and PAC prediction
• Title（参考訳）: 時間一様共形とPAC予測
• Authors: Kayla E. Scharfstein, Arun Kumar Kuchibhotla,
• Abstract要約: コンフォメーション予測とそれに関連するほぼ正しいPAC予測フレームワークを逐次設定に拡張する。 結果として得られる予測セットは、アナリストが選択した時点において、期待されるカバレッジが要求レベルであるという点において、いつでも有効である。 本稿では,提案手法の理論的保証と,シミュレーションおよび実データに対する有効性と有用性を示す。
• 参考スコア（独自算出の注目度）: 0.8021197489470758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given that machine learning algorithms are increasingly being deployed to aid in high stakes decision-making, uncertainty quantification methods that wrap around these black box models such as conformal prediction have received much attention in recent years. In sequential settings, where data are observed/generated in a streaming fashion, traditional conformal methods do not provide any guarantee without fixing the sample size. More importantly, traditional conformal methods cannot cope with sequentially updated predictions. As such, we develop an extension of the conformal prediction and related probably approximately correct (PAC) prediction frameworks to sequential settings where the number of data points is not fixed in advance. The resulting prediction sets are anytime-valid in that their expected coverage is at the required level at any time chosen by the analyst even if this choice depends on the data. We present theoretical guarantees for our proposed methods and demonstrate their validity and utility on simulated and real datasets.
• Abstract（参考訳）: 機械学習アルゴリズムが高利害な意思決定を支援するためにますます導入されていることを踏まえると、コンフォーマル予測などのブラックボックスモデルを取り巻く不確実性定量化手法が近年注目されている。 ストリーミング形式でデータが観測/生成されるシーケンシャルな設定では、従来のコンフォメーションメソッドはサンプルサイズを修正せずに保証を提供しない。 さらに重要なことは、従来の共形法は逐次更新された予測に対処できないことである。 そこで本研究では,データポイント数が予め固定されていないシーケンシャルな設定に対して,コンフォメーション予測およびそれに関連するほぼ正しいPAC予測フレームワークを拡張した。 結果の予測セットは、たとえこの選択がデータに依存するとしても、アナリストが選択した時点において、期待されるカバレッジが要求レベルであるという点において、いつでも有効である。 本稿では,提案手法の理論的保証と,シミュレーションおよび実データに対する有効性と有用性を示す。

関連論文リスト

• 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)
• Zono-Conformal Prediction: Zonotope-Based Uncertainty Quantification for Regression and Classification Tasks [41.14877380522394]
  コンフォーマル予測は、統計的に有効なカバレッジ保証を備えた予測セットでベース予測器を拡張するために使用される。 本稿では、間隔予測モデルとリーチセット・コンフォーマント同定にインスパイアされた新しいアプローチであるゾノ・コンフォーマル予測を導入する。 ゾノコンフォーマル予測器は間隔予測器モデルや標準共形予測法よりも保守的でないことを示す。
  論文  参考訳（メタデータ） (2025-08-14T19:03:28Z)
• Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
  時系列における不確実性定量化の問題を相関配列を利用して解決する。 共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。 我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2025-02-13T16:12:17Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Robust Conformal Prediction Using Privileged Information [17.886554223172517]
  本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。 我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
  論文  参考訳（メタデータ） (2024-06-08T08:56:47Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)

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。