論文の概要: ConfHit: Conformal Generative Design with Oracle Free Guarantees

• arxiv url: http://arxiv.org/abs/2603.07371v1
• Date: Sat, 07 Mar 2026 22:55:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:14.386636
• Title: ConfHit: Conformal Generative Design with Oracle Free Guarantees
• Title（参考訳）: ConfHit: Oracle Free Guaranteesによるコンフォーマルな生成設計
• Authors: Siddhartha Laghuvarapu, Ying Jin, Jimeng Sun,
• Abstract要約: ConfHitは、予算制約下での妥当性保証を提供する、配布不要のフレームワークである。 認定と設計という2つの中心的な質問を形式化する。 コンパクトな認証セットを維持しながら、複数の信頼レベルで有効なカバレッジ保証を一貫して提供します。
• 参考スコア（独自算出の注目度）: 23.250218694712036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The success of deep generative models in scientific discovery requires not only the ability to generate novel candidates but also reliable guarantees that these candidates indeed satisfy desired properties. Recent conformal-prediction methods offer a path to such guarantees, but its application to generative modeling in drug discovery is limited by budget constraints, lack of oracle access, and distribution shift. To this end, we introduce ConfHit, a distribution-free framework that provides validity guarantees under these conditions. ConfHit formalizes two central questions: (i) Certification: whether a generated batch can be guaranteed to contain at least one hit with a user-specified confidence level, and (ii) Design: whether the generation can be refined to a compact set without weakening this guarantee. ConfHit leverages weighted exchangeability between historical and generated samples to eliminate the need for an experimental oracle, constructs multiple-sample density-ratio weighted conformal p-value to quantify statistical confidence in hits, and proposes a nested testing procedure to certify and refine candidate sets of multiple generated samples while maintaining statistical guarantees. Across representative generative molecule design tasks and a broad range of methods, ConfHit consistently delivers valid coverage guarantees at multiple confidence levels while maintaining compact certified sets, establishing a principled and reliable framework for generative modeling.
• Abstract（参考訳）: 科学的発見における深層生成モデルの成功には、新しい候補を生成する能力だけでなく、これらの候補が本当に望ましい性質を満たすことを確実に保証する必要がある。 近年のコンフォメーション・プレディション法はそのような保証の道筋を提供するが、医薬品発見における生成的モデリングへの応用は予算制約、オラクルアクセスの欠如、流通シフトによって制限されている。 この目的のために,これらの条件下での妥当性保証を提供する分散フリーフレームワークConfHitを紹介する。 ConfHitは2つの中心的な質問を形式化する。 i)認証:生成したバッチが、ユーザ特定信頼度レベルが少なくとも1つのヒットを含むことを保証できるか否か (ii)設計:この保証を弱めることなく、生成をコンパクトな集合に洗練できるかどうか。 ConfHitは、歴史的および生成されたサンプル間の重み付き交換性を活用して、実験用オラクルの必要性を排除し、複数サンプル密度比重み付き共形p値を構築して、ヒットの統計的信頼度を定量化し、統計的保証を維持しつつ、複数の生成されたサンプルの候補集合を認証し、洗練するネスト付き試験手順を提案する。 代表的生成分子設計タスクと幅広い手法にわたって、ConfHitは、コンパクトな認証セットを維持しながら、複数の信頼レベルにおける有効なカバレッジ保証を一貫して提供し、生成モデリングの原則的で信頼性の高いフレームワークを確立している。

関連論文リスト

• Provable Model Provenance Set for Large Language Models [17.27624911800891]
  非許可モデルの使用頻度と誤帰は、信頼性のあるモデル解析の必要性を高めている。 既存の方法は、証明可能なエラー制御がなく、しばしば複数のソースの存在を見落としている指紋マッチング規則に大きく依存している。 まず、証明可能な保証でモデル証明問題を定式化し、所定の信頼度レベルで全ての真の証明を厳格に網羅する必要がある。
  論文  参考訳（メタデータ） (2026-01-31T15:27:14Z)
• Uncertainty Quantification for Named Entity Recognition via Full-Sequence and Subsequence Conformal Prediction [0.0]
  シーケンスラベルに基づくNERモデルを適応して不確実性を考慮した予測セットを生成するための一般的なフレームワークを提案する。 予測セットは、ユーザが指定した信頼度レベルで正しいラベルを含むことが保証された完全文ラベルの集合である。
  論文  参考訳（メタデータ） (2026-01-13T18:00:08Z)
• Reliable Statistical Guarantees for Conformal Predictors with Small Datasets [3.062618143970653]
  サーロゲートモデルは、科学と工学において、任意の複雑な入出力問題を近似することができる。 データに依存しない不確実性定量化のための標準的なアプローチは、共形予測(CP)を用いることである。 本稿では,1つの共形予測器のカバレッジに対して確率的情報を提供する新しい統計保証を提案する。
  論文  参考訳（メタデータ） (2025-12-04T08:29:17Z)
• 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)
• 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)
• Conformal Calibration of Statistical Confidence Sets [1.8840155706520811]
  本研究では,TRUSTとTRUST++という2つの新しい手法を導入する。 我々は,本手法が既存のアプローチ,特に小サンプル方式よりも優れていることを実証した。
  論文  参考訳（メタデータ） (2024-11-28T20:45:59Z)
• 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)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)

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。