論文の概要: Prediction-Powered Conditional Inference

• arxiv url: http://arxiv.org/abs/2603.05575v1
• Date: Thu, 05 Mar 2026 17:13:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.284748
• Title: Prediction-Powered Conditional Inference
• Title（参考訳）: 予測駆動条件推論
• Authors: Yang Sui, Jin Zhou, Hua Zhou, Xiaowu Dai,
• Abstract要約: 本研究では,ラベル付きデータが少ない環境での予測型条件推論について検討する。 提案手法は,局所化と予測に基づく分散化を併用する。 シミュレーションおよび実データセットに関する数値実験は、有効な条件付きカバレッジを示す。
• 参考スコア（独自算出の注目度）: 15.801272841475681
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study prediction-powered conditional inference in the setting where labeled data are scarce, unlabeled covariates are abundant, and a black-box machine-learning predictor is available. The goal is to perform statistical inference on conditional functionals evaluated at a fixed test point, such as conditional means, without imposing a parametric model for the conditional relationship. Our approach combines localization with prediction-based variance reduction. First, we introduce a reproducing kernel-based localization method that learns a data-adaptive weight function from covariates and reformulates the target conditional moment at the test point as a weighted unconditional moment. Second, we incorporate machine-learning predictions through a correction-based decomposition of this localized moment, yielding a prediction-powered estimator and confidence interval that reduce variance when the predictor is informative while preserving validity regardless of predictor accuracy. We establish nonasymptotic error bounds and minimax-optimal convergence rates for the resulting estimator, prove pointwise asymptotic normality with consistent variance estimation, and provide an explicit variance decomposition that characterizes how machine-learning predictions and unlabeled covariates improve statistical efficiency. Numerical experiments on simulated and real datasets demonstrate valid conditional coverage and substantially sharper confidence intervals than alternative methods.
• Abstract（参考訳）: ラベル付きデータが不足し,ラベル付き共変数が豊富であり,ブラックボックスの機械学習予測器が利用可能であるような環境で,予測を利用した条件推論について検討する。 本研究の目的は, 条件関係のパラメトリックモデルを導入することなく, 条件平均などの定点で評価された条件関数を統計的に推測することである。 提案手法は,局所化と予測に基づく分散化を併用する。 まず、データ適応重み関数を共変量から学習し、テストポイントの目標条件モーメントを重み付き無条件モーメントとして再構成する、再生カーネルベースのローカライゼーション手法を提案する。 第2に、この局所的なモーメントの補正に基づく分解により機械学習予測を組み込み、予測精度に関わらず妥当性を保ちながら、予測器が報知されたときのばらつきを低減させる予測駆動推定器と信頼区間を生成する。 結果の予測値に対して,非漸近誤差境界と最小最大収束率を確立し,一貫した分散推定で一貫した漸近正規性を証明し,機械学習予測とラベルなし共変による統計的効率の向上を特徴付ける明示的な分散分解を提供する。 シミュレーションおよび実データセットに関する数値実験は、他の方法よりも妥当な条件付きカバレッジとかなり鋭い信頼区間を示す。

関連論文リスト

• Fundamental bounds on efficiency-confidence trade-off for transductive conformal prediction [20.813562569312186]
  トランスダクティブ手法における信頼性と効率の基本的なトレードオフを実証する。 非自明な信頼度は、不確実性のあるデータに対する予測セットサイズが指数関数的に増加することを示す。
  論文  参考訳（メタデータ） (2025-09-04T19:49:58Z)
• Approximating Full Conformal Prediction for Neural Network Regression with Gauss-Newton Influence [8.952347049759094]
  我々は、保留データなしで、保留後のニューラルネットワーク回帰器の予測間隔を構築する。 ガウス・ニュートンの影響を利用して1回、局所摂動モデルパラメータを訓練する。
  論文  参考訳（メタデータ） (2025-07-27T13:34:32Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• 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)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
  二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。 既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
  論文  参考訳（メタデータ） (2023-06-11T19:48:39Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Conformal histogram regression [15.153110906331737]
  本稿では,スキューデータに自動的に適応可能な非パラメトリック回帰の予測間隔を計算するためのコンフォメーション手法を提案する。 ブラックボックス機械学習アルゴリズムを活用して、その出力を近似条件付きの最短予測間隔に変換する。 得られた予測間隔は、ブラックボックスモデルが一貫性のある場合、条件付きカバレッジと最適な長さを達成しながら、有限サンプルにおいて確実に限界カバレッジを有する。
  論文  参考訳（メタデータ） (2021-05-18T18:05:02Z)
• Estimation of Accurate and Calibrated Uncertainties in Deterministic models [0.8702432681310401]
  我々は,決定論的予測を確率論的予測に変換する手法を考案した。 そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。 隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
  論文  参考訳（メタデータ） (2020-03-11T04:02:56Z)

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。