論文の概要: Making Conformal Predictors Robust in Healthcare Settings: a Case Study on EEG Classification

• arxiv url: http://arxiv.org/abs/2602.19483v1
• Date: Mon, 23 Feb 2026 03:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.665111
• Title: Making Conformal Predictors Robust in Healthcare Settings: a Case Study on EEG Classification
• Title（参考訳）: 医療環境におけるコンフォーマル予測器のロバスト化--脳波分類を事例として
• Authors: Arjun Chatterjee, Sayeed Sajjad Razin, John Wu, Siddhartha Laghuvarapu, Jathurshan Pradeepkumar, Jimeng Sun,
• Abstract要約: 臨床診断における不確実性の定量化は,高用量診断タスクにおいて重要である。 脳波の発作分類におけるコンフォメーション予測手法について検討した。 パーソナライズされたキャリブレーション戦略は、カバレッジを20パーセント以上改善できることを示す。
• 参考スコア（独自算出の注目度）: 13.423110268586287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying uncertainty in clinical predictions is critical for high-stakes diagnosis tasks. Conformal prediction offers a principled approach by providing prediction sets with theoretical coverage guarantees. However, in practice, patient distribution shifts violate the i.i.d. assumptions underlying standard conformal methods, leading to poor coverage in healthcare settings. In this work, we evaluate several conformal prediction approaches on EEG seizure classification, a task with known distribution shift challenges and label uncertainty. We demonstrate that personalized calibration strategies can improve coverage by over 20 percentage points while maintaining comparable prediction set sizes. Our implementation is available via PyHealth, an open-source healthcare AI framework: https://github.com/sunlabuiuc/PyHealth.
• Abstract（参考訳）: 臨床診断における不確実性の定量化は,高用量診断タスクにおいて重要である。 コンフォーマル予測は、理論的なカバレッジを保証する予測セットを提供することによって、原則化されたアプローチを提供する。 しかし、実際には、患者分布のシフトは、標準コンフォメーション法に基づく前提条件に反し、医療環境の悪化につながる。 本研究では,脳波の発作分類,分布シフトの既知の課題,ラベルの不確実性に対するいくつかの適合予測手法を評価する。 パーソナライズされたキャリブレーション戦略は、比較可能な予測セットサイズを維持しながら、カバー範囲を20パーセント以上改善できることを示す。 私たちの実装は、オープンソースのヘルスケアAIフレームワークであるPyHealthを通じて利用可能です。

関連論文リスト

• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• 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)
• Pitfalls of Conformal Predictions for Medical Image Classification [1.2289361708127877]
  整合予測は、証明可能な校正保証を提供することができる。 共形予測は、入力変数とラベル変数の分布シフトの下では信頼性が低い。 クラス数が少ない分類設定では、共形予測は実用的価値に制限がある。
  論文  参考訳（メタデータ） (2025-06-22T20:33:38Z)
• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• A conformalized learning of a prediction set with applications to medical imaging classification [14.304858613146536]
  本稿では,真のラベルを含む予測セットをユーザが特定した確率で生成するアルゴリズムを提案する。 提案アルゴリズムをいくつかの標準医用画像分類データセットに適用した。
  論文  参考訳（メタデータ） (2024-08-09T12:49:04Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。