論文の概要: Shape-Adaptive Conditional Calibration for Conformal Prediction via Minimax Optimization

• arxiv url: http://arxiv.org/abs/2603.23374v1
• Date: Tue, 24 Mar 2026 16:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.576046
• Title: Shape-Adaptive Conditional Calibration for Conformal Prediction via Minimax Optimization
• Title（参考訳）: ミニマックス最適化による等角予測のための形状適応条件校正
• Authors: Yajie Bao, Chuchen Zhang, Zhaojun Wang, Haojie Ren, Changliang Zou,
• Abstract要約: ミニマックス最適化予測推論(minimax Optimization Predictive Inference、MOPI)は、キャリブレーションフェーズにおいて、フレキシブルなセット値マッピングのクラスを最適化することにより、事前処理を一般化するフレームワークである。 我々はMOPIが既存のベースラインよりも効率的な予測セットを生成することを示す。
• 参考スコア（独自算出の注目度）: 18.981907372765864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving valid conditional coverage in conformal prediction is challenging due to the theoretical difficulty of satisfying pointwise constraints in finite samples. Building upon the characterization of conditional coverage through marginal moment restrictions, we introduce Minimax Optimization Predictive Inference (MOPI), a framework that generalizes prior work by optimizing over a flexible class of set-valued mappings during the calibration phase, rather than simply calibrating a fixed sublevel set. This minimax formulation effectively circumvents the structural constraints of predefined score functions, achieving superior shape adaptivity while maintaining a principled connection to the minimization of mean squared coverage error. Theoretically, we provide non-asymptotic oracle inequalities and show that the convergence rate of the coverage error attains the optimal order under regular conditions. The MOPI also enables valid inference conditional on sensitive attributes that are available during calibration but unobserved at test time. Empirical results on complex, non-standard conditional distributions demonstrate that MOPI produces more efficient prediction sets than existing baselines.
• Abstract（参考訳）: 共形予測における有効な条件付きカバレッジを達成することは、有限標本における点的制約を満たすことの理論的困難さから困難である。 限界モーメント制限による条件付きカバレッジのキャラクタリゼーションに基づいて、固定されたサブレベルセットをキャリブレーションするのではなく、キャリブレーションフェーズにおいて、フレキシブルなセット値マッピングのクラスを最適化することにより、事前作業の最適化を行うフレームワークであるMinimax Optimization Predictive Inference(MOPI)を導入する。 このミニマックス定式化は、予め定義されたスコア関数の構造的制約を効果的に回避し、平均二乗被覆誤差の最小化に対する原則的接続を維持しつつ、優れた形状適応性を実現する。 理論的には、非漸近的なオラクルの不等式を提供し、カバレッジエラーの収束速度が正規条件下で最適な順序に達することを示す。 MOPIはまた、キャリブレーション時に利用できるが、テスト時に観測されていない機密属性に対して有効な推論条件を可能にする。 複素非標準条件分布の実験的結果は、MOPIが既存のベースラインよりも効率的な予測セットを生成することを示す。

関連論文リスト

• Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
  中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。 合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
  論文  参考訳（メタデータ） (2026-03-02T10:43:19Z)
• Aggregating Conformal Prediction Sets via α-Allocation [22.63151097928744]
  この研究は、複数の共形予測セットにまたがる信頼度を最適に割り当てる原理的な集約戦略を導入する。 合成および実世界のデータセットの実験では、COLAは最先端のベースラインよりもかなり小さな予測セットを達成している。
  論文  参考訳（メタデータ） (2025-11-15T07:11:21Z)
• 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)
• Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
  等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。 本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。 提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
  論文  参考訳（メタデータ） (2025-03-24T18:54:22Z)
• 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)
• Adjusting Regression Models for Conditional Uncertainty Calibration [46.69079637538012]
  本稿では,分割共形予測手法を適用して条件付きカバレッジを改善するために,回帰関数を訓練する新しいアルゴリズムを提案する。 本研究では,条件付きカバレッジと名目付きカバレッジ率の差分を求める上限を確立し,この上限値を制御するためのエンドツーエンドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-26T01:55:45Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)

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。