論文の概要: Flow-Based Conformal Predictive Distributions

• arxiv url: http://arxiv.org/abs/2602.07633v1
• Date: Sat, 07 Feb 2026 17:26:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.731681
• Title: Flow-Based Conformal Predictive Distributions
• Title（参考訳）: 流れに基づく等角形予測分布
• Authors: Trevor Harris,
• Abstract要約: 微分可能な非整合性スコアは、軌道が対応する共形予測集合の境界に収束する出力空間上の決定論的フローを誘導することを示す。 これにより、任意の次元の共形境界をサンプリングする計算効率が良く、トレーニング不要な手法が導かれる。 我々は, PDE逆問題, 降水ダウンスケーリング, 気候モデルデバイアス, ハリケーン軌道予測に対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 1.2691047660244335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction provides a distribution-free framework for uncertainty quantification via prediction sets with exact finite-sample coverage. In low dimensions these sets are easy to interpret, but in high-dimensional or structured output spaces they are difficult to represent and use, which can limit their ability to integrate with downstream tasks such as sampling and probabilistic forecasting. We show that any differentiable nonconformity score induces a deterministic flow on the output space whose trajectories converge to the boundary of the corresponding conformal prediction set. This leads to a computationally efficient, training-free method for sampling conformal boundaries in arbitrary dimensions. Boundary samples can be reconformalized to form pointwise prediction sets with controlled risk, and mixing across confidence levels yields conformal predictive distributions whose quantile regions coincide exactly with conformal prediction sets. We evaluate the approach on PDE inverse problems, precipitation downscaling, climate model debiasing, and hurricane trajectory forecasting.
• Abstract（参考訳）: コンフォーマル予測は、正確な有限サンプルカバレッジを持つ予測セットによる不確実性定量化のための分布自由フレームワークを提供する。 低次元ではこれらの集合は容易に解釈できるが、高次元または構造化された出力空間では表現や使用が困難であり、サンプリングや確率予測のような下流のタスクと統合する能力を制限することができる。 任意の微分可能な非整合性スコアは、軌道が対応する共形予測集合の境界に収束する出力空間上の決定論的フローを誘導することを示す。 これにより、任意の次元の共形境界をサンプリングする計算効率が良く、トレーニング不要な手法が導かれる。 境界サンプルは、制御されたリスクでポイントワイズ予測セットを形成するように再構成することができ、信頼レベルをまたいで混合すると、量子領域が整合予測セットと正確に一致する共形予測分布が得られる。 我々は, PDE逆問題, 降水ダウンスケーリング, 気候モデルデバイアス, ハリケーン軌道予測に対するアプローチを評価する。

関連論文リスト

• eCP: Informative uncertainty quantification via Equivariantized Conformal Prediction with pre-trained models [3.1424353049227727]
  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。
  論文  参考訳（メタデータ） (2026-02-03T20:18:59Z)
• Predict-Project-Renoise: Sampling Diffusion Models under Hard Constraints [5.539946449743145]
  物理法則や観測整合性などの厳しい制約を世代毎に適用する制約付きサンプリングフレームワークを導入する。 提案手法では,制約条件を満たすサンプルの集合にのみ拡散する制約付き前方過程を定義し,制約付き辺縁分布を誘導する。 本稿では,制約された辺縁領域から,予測と予測を交互に行い,実現可能なセットに投影し,再現性のあるアルゴリズムであるPredict-Project-Renoise (PPR)を提案する。
  論文  参考訳（メタデータ） (2026-01-28T20:50:19Z)
• 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)
• JAPAN: Joint Adaptive Prediction Areas with Normalising-Flows [7.200880964149064]
  コンフォーマル予測は、有限サンプルの妥当性を保証する不確実性定量化のためのモデルに依存しないフレームワークを提供する。 既存のアプローチは通常、幾何的制約を課す残差ベースの整合性スコアに依存する。 本稿では,密度に基づく適合度スコアを用いた共形予測フレームワークである日本(Joint Adaptive Prediction Areas with Normalising-Flows)を紹介する。
  論文  参考訳（メタデータ） (2025-05-29T07:34:51Z)
• Epistemic Uncertainty in Conformal Scores: A Unified Approach [2.449909275410288]
  等角予測法は、分布のない保証を持つ予測帯域を生成するが、不確実性を明示的に捉えることはできない。 モデルに依存しないアプローチである $texttEPICSCORE$ を導入する。 $texttEPICSCORE$は、限られたデータを持つ領域の予測間隔を適応的に拡張し、データが豊富であるコンパクト間隔を維持します。
  論文  参考訳（メタデータ） (2025-02-10T19:42:54Z)
• 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)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
  PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。 効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
  論文  参考訳（メタデータ） (2022-06-14T03:58:03Z)
• 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)

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。