論文の概要: Efficient Federated Conformal Prediction with Group-Conditional Guarantees

• arxiv url: http://arxiv.org/abs/2603.14198v2
• Date: Tue, 17 Mar 2026 12:10:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 13:19:43.861644
• Title: Efficient Federated Conformal Prediction with Group-Conditional Guarantees
• Title（参考訳）: Group-Conditional Guaranteeによる効率的なフェデレート等式予測
• Abstract要約: Conformal Prediction (CP) は、分布のないカバレッジを保証する予測セットを構築するために広く使われているフレームワークである。 本稿では,グループ条件付き共形予測(GC-FCP)を提案する。 合成および実世界のデータセットの実験は、集中キャリブレーションベースラインと比較してGC-FCPの性能を評価する。
• 参考スコア（独自算出の注目度）: 28.340633583577112
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deploying trustworthy AI systems requires principled uncertainty quantification. Conformal prediction (CP) is a widely used framework for constructing prediction sets with distribution-free coverage guarantees. In many practical settings, including healthcare, finance, and mobile sensing, the calibration data required for CP are distributed across multiple clients, each with its own local data distribution. In this federated setting, data can often be partitioned into, potentially overlapping, groups, which may reflect client-specific strata or cross-cutting attributes such as demographic or semantic categories. We propose group-conditional federated conformal prediction (GC-FCP), a novel protocol that provides group-conditional coverage guarantees. GC-FCP constructs mergeable, group-stratified coresets from local calibration scores, enabling clients to communicate compact weighted summaries that support efficient aggregation and calibration at the server. Experiments on synthetic and real-world datasets validate the performance of GC-FCP compared to centralized calibration baselines.
• Abstract（参考訳）: 信頼できるAIシステムを展開するには、原則化された不確実性定量化が必要である。 Conformal Prediction (CP) は、分布のないカバレッジを保証する予測セットを構築するために広く使われているフレームワークである。 医療、金融、モバイルセンシングなど、多くの実践的な設定において、CPに必要なキャリブレーションデータは複数のクライアントに分散され、それぞれ独自のローカルデータ分布を持つ。 このフェデレートされた設定では、データはしばしば、人口統計学やセマンティックカテゴリのようなクライアント固有の層や横断的な属性を反映する、潜在的に重複するグループに分割される。 本稿では,グループ条件付き共形予測(GC-FCP)を提案する。 GC-FCPは、局所的なキャリブレーションスコアからマージ可能なグループ階層化コアセットを構築し、クライアントがサーバでの効率的なアグリゲーションとキャリブレーションをサポートするコンパクトな重み付けサマリーを通信できるようにする。 合成および実世界のデータセットの実験は、集中キャリブレーションベースラインと比較してGC-FCPの性能を評価する。

関連論文リスト

• Multi-Agent Conformal Prediction with Personalized Statistical Validity [33.73739436774371]
  コンフォーマル予測は、限定的なローカルキャリブレーションデータ、プライバシ制約、データの異質性といった課題に直面している。 本稿では、局所密度比重み付けと重み付けされた量子化集約を組み合わせ、プライバシーを保ちながら不均一性を補正するフレームワークであるパーソナライズされた共形予測(PFWCP)を提案する。 PFWCPは、各参加エージェントに対して有効な境界条件と校正条件のカバレッジ保証を与え、ワンショット通信によるプロトコルをサポートする。
  論文  参考訳（メタデータ） (2026-05-30T13:01:56Z)
• Cluster Frequency Conformal Prediction for Local Coverage [7.5841677529906795]
  コンフォーマル予測は、分布のないカバレッジを保証するが、多くのクラス分類では、特定のクラスやサブポピュレーションを過小評価することもある。 本稿では,共形予測を学習表現空間の局所構造に適応させるプラグインフレームワークであるCluster Frequency Conformal Prediction (CFCP)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T05:27:35Z)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• Federated Conditional Conformal Prediction via Generative Models [12.463514743585515]
  Conformal Prediction (CP) は、分布のない不確実性定量化を提供する。 Fed Conditional Conformal Prediction (Fed-CCP)は、ローカルデータの不均一性に対応する条件付きカバレッジを目指している。 実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-15T08:38:38Z)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• 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)
• Posterior Conformal Prediction [11.576645675675096]
  コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。 本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。 社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:09:07Z)
• 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)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。