論文の概要: Optimized Certainty Equivalent Risk-Controlling Prediction Sets

• arxiv url: http://arxiv.org/abs/2602.13660v1
• Date: Sat, 14 Feb 2026 08:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.320135
• Title: Optimized Certainty Equivalent Risk-Controlling Prediction Sets
• Title（参考訳）: 最適不確実性等価リスク制御予測セット
• Authors: Jiayi Huang, Amirmohammad Farzaneh, Osvaldo Simeone,
• Abstract要約: 本稿では、最適化された確実性等価(OCE-RCPS)リスク対策に高確率保証を提供する新しいフレームワークである、最適化された確実性等価(OCE-RCPS)のRCPS(OCE-RCPS)を紹介する。 画像セグメンテーションの実験では、OCE-RCPSは様々なリスク対策や信頼性設定において、常に目標満足度を満たすことが示されている。
• 参考スコア（独自算出の注目度）: 29.939616090267975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In safety-critical applications such as medical image segmentation, prediction systems must provide reliability guarantees that extend beyond conventional expected loss control. While risk-controlling prediction sets (RCPS) offer probabilistic guarantees on the expected risk, they fail to capture tail behavior and worst-case scenarios that are crucial in high-stakes settings. This paper introduces optimized certainty equivalent RCPS (OCE-RCPS), a novel framework that provides high-probability guarantees on general optimized certainty equivalent (OCE) risk measures, including conditional value-at-risk (CVaR) and entropic risk. OCE-RCPS leverages upper confidence bounds to identify prediction set parameters that satisfy user-specified risk tolerance levels with provable reliability. We establish theoretical guarantees showing that OCE-RCPS satisfies the desired probabilistic constraint for loss functions such as miscoverage and false negative rate. Experiments on image segmentation demonstrate that OCE-RCPS consistently meets target satisfaction rates across various risk measures and reliability configurations, while OCE-CRC fails to provide probabilistic guarantees.
• Abstract（参考訳）: 医療画像のセグメンテーションのような安全クリティカルなアプリケーションでは、予測システムは従来の予測損失制御を超える信頼性保証を提供する必要がある。 リスク制御予測セット(RCPS)は、期待されるリスクの確率的保証を提供するが、高いリスク設定において重要な尾の挙動や最悪のシナリオを捉えない。 本稿では,条件付き値付きリスク(CVaR)やエントロピックリスク(Entropic risk)など,一般的な最適化された確実性等価(OCE)リスク対策に対して高い確率保証を提供する新しいフレームワークである,最適化された確実性等価(OCE-RCPS)を提案する。 OCE-RCPSは、高い信頼境界を利用して、ユーザ特定リスク許容レベルを満たす予測セットパラメータを証明可能な信頼性で特定する。 我々は,OCE-RCPSが誤発見や偽陰率などの損失関数に対する所望の確率的制約を満たすことを示す理論的保証を確立する。 画像セグメンテーションの実験では、OCE-RCPSは様々なリスク対策や信頼性設定の目標満足度を一貫して満たしているが、OCE-CRCは確率的保証を提供していない。

関連論文リスト

• Selective Conformal Risk Control [0.38106124526091323]
  共形予測と選択分類を統合した統合フレームワークであるtextitSelective Conformal Risk Control (SCRC) を提案する。 第1段階は予測のための確実なサンプルを選択し、第2段階は選択されたサブセットに対して共形リスク制御を適用して校正された予測セットを構築する。 SCRC-Iは、より保守的なリスクコントロールを示すが、より優れた計算実用性を示す。
  論文  参考訳（メタデータ） (2025-12-14T21:18:28Z)
• Conformal Risk Training: End-to-End Optimization of Conformal Risk Control [41.45834526675908]
  我々は,モデルトレーニングや微調整において,コンフォーマルなOCEリスク制御を通じて区別する,エンドツーエンドのアプローチである「コンフォーマルリスクトレーニング」を導入する。 提案手法は,実証可能なリスク保証を実現するとともに,ポストホック手法よりも平均ケース性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-10-09T19:05:45Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Conditional Conformal Risk Adaptation [9.559062601251464]
  セグメンテーションタスクの条件付きリスク制御を大幅に改善する適応予測セットを作成するための新しいスコア関数を開発する。 画素単位での包含推定の信頼性を高めるための特殊確率校正フレームワークを提案する。 ポリープセグメンテーション実験により, 3つの手法が有意な限界リスク制御を提供し, より一貫した条件リスク制御を実現することを示した。
  論文  参考訳（メタデータ） (2025-04-10T10:01:06Z)
• Beyond Confidence: Adaptive Abstention in Dual-Threshold Conformal Prediction for Autonomous System Perception [0.4124847249415279]
  安全クリティカルな認識システムは、安全を維持するために確実な不確実性定量化と原則化された禁制機構を必要とする。 本稿では,統計的に保証された不確実性推定を提供するとともに,リスクの高いシナリオにおいて選択的な予測を可能にする,新しいデュアルスレッド整合化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:45:31Z)
• Cross-Validation Conformal Risk Control [40.2365781482563]
  コンフォーマルリスク制御(CRC)は、従来の点予測器にポストホックを適用してキャリブレーションを保証する手法である。 本稿では,従来のCRCの検証ではなく,クロスバリデーションに基づく新しいCRC手法を提案する。 CV-CRCは、設定された予測子の平均リスクに関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-01-22T14:26:02Z)
• Incorporating Recklessness to Collaborative Filtering based Recommender Systems [42.956580283193176]
  無謀さは、予測された評価の出力確率分布のばらつきを考慮に入れます。 実験結果から、無謀性はリスクレギュレーションだけでなく、予測の量や品質も改善することが示された。
  論文  参考訳（メタデータ） (2023-08-03T21:34:00Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)

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。