論文の概要: Online Selective Conformal Prediction with Asymmetric Rules: A Permutation Test Approach

• arxiv url: http://arxiv.org/abs/2602.10018v1
• Date: Tue, 10 Feb 2026 17:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-11 20:17:43.717156
• Title: Online Selective Conformal Prediction with Asymmetric Rules: A Permutation Test Approach
• Title（参考訳）: 非対称規則を用いたオンライン選択等角予測:置換テストアプローチ
• Authors: Mingyi Zheng, Ying Jin,
• Abstract要約: Selective conformal predictionは、データ駆動メカニズムによって選択されたテスト単位条件に対して有効なカバレッジを持つ予測セットを構築することを目的としている。 既存の方法は限られた選択機構にのみ対処する。 任意の非対称選択規則を用いた選択的共形予測のためのPErmutation-based Mondrian Conformal Inference (PEMI)を提案する。
• 参考スコア（独自算出の注目度）: 9.317702091531174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selective conformal prediction aims to construct prediction sets with valid coverage for a test unit conditional on it being selected by a data-driven mechanism. While existing methods in the offline setting handle any selection mechanism that is permutation invariant to the labeled data, their extension to the online setting -- where data arrives sequentially and later decisions depend on earlier ones -- is challenged by the fact that the selection mechanism is naturally asymmetric. As such, existing methods only address a limited collection of selection mechanisms. In this paper, we propose PErmutation-based Mondrian Conformal Inference (PEMI), a general permutation-based framework for selective conformal prediction with arbitrary asymmetric selection rules. Motivated by full and Mondrian conformal prediction, PEMI identifies all permutations of the observed data (or a Monte-Carlo subset thereof) that lead to the same selection event, and calibrates a prediction set using conformity scores over this selection-preserving reference set. Under standard exchangeability conditions, our prediction sets achieve finite-sample exact selection-conditional coverage for any asymmetric selection mechanism and any prediction model. PEMI naturally incorporates additional offline labeled data, extends to selection mechanisms with multiple test samples, and achieves FCR control with fine-grained selection taxonomies. We further work out several efficient instantiations for commonly-used online selection rules, including covariate-based rules, conformal p/e-values-based procedures, and selection based on earlier outcomes. Finally, we demonstrate the efficacy of our methods across various selection rules on a real drug discovery dataset and investigate their performance via simulations.
• Abstract（参考訳）: Selective conformal predictionは、データ駆動メカニズムによって選択されたテスト単位条件に対して有効なカバレッジを持つ予測セットを構築することを目的としている。 オフライン設定の既存のメソッドはラベル付きデータに不変な任意の選択メカニズムを処理しますが、オンライン設定への拡張 -- データが順次到着し、後続の判断は以前のものに依存します -- は、選択メカニズムが自然に非対称であるという事実によって挑戦されます。 そのため、既存の手法は限られた選択機構にのみ対応している。 本稿では,PErmutation-based Mondrian Conformal Inference (PEMI)を提案する。 完全なモンドリアン共形予測によって動機づけられた PEMI は、観測されたデータ(またはモンテカルロ部分集合)の全ての置換を同一の選択イベントへと導き、この選択保存参照セットに対して整合性スコアを用いて予測セットを校正する。 標準交換性条件下では、予測セットは、任意の非対称選択機構および任意の予測モデルに対して有限サンプルの正確な選択条件カバレッジを達成する。 PEMIは自然に追加のオフラインラベル付きデータを取り込み、複数のテストサンプルで選択機構を拡張し、きめ細かい選択分類によるFCR制御を実現する。 さらに、共変量に基づくルール、共形p/e値に基づくプロシージャ、初期の結果に基づく選択など、一般的なオンライン選択ルールの効率的なインスタンス化についても検討する。 最後に,本手法の有効性を実薬品発見データセット上で検証し,その有効性をシミュレーションにより検証した。

関連論文リスト

• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Valid Selection among Conformal Sets [53.016786692105796]
  コンフォーマル予測は、カバレッジ保証付き予測セットを構築するための、配布不要のフレームワークを提供する。 最小セットなど、最も望ましいセットを選択することは、カバレッジ保証を無効にすることができる。 本稿では,選択した予測セットのカバレッジを確保するための安定性に基づく手法を提案する。
  論文  参考訳（メタデータ） (2025-06-25T06:59:55Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage [6.010965256037659]
  コンフォーマル予測は、ランダムに描画されたテストポイントの未知の結果をカバーする、わずかに有効な予測間隔を構築する。 実際には、データ駆動手法は興味のある特定のテストユニットを特定するためにしばしば使用される。 本稿では,有限サンプルの正確なカバレッジを持つ予測セットを構築するための一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-06T17:18:24Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• On the Validity of Conformal Prediction for Network Data Under Non-Uniform Sampling [2.0305676256390934]
  本研究では,様々なサンプリング機構下でのネットワークデータに対する共形予測の特性について検討する。 選択規則が置換不変性を満たす場合、サンプルサブアレイは選択イベント上で交換可能であることを示す。 以上の結果から,エゴネットワークや雪玉サンプリングに関連する特定の選択事象に対する共形予測の有限サンプルの有効性が示唆された。
  論文  参考訳（メタデータ） (2023-06-12T17:21:45Z)

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。