論文の概要: Elements of Conformal Prediction for Statisticians

• arxiv url: http://arxiv.org/abs/2603.23923v1
• Date: Wed, 25 Mar 2026 04:28:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.123594
• Title: Elements of Conformal Prediction for Statisticians
• Title（参考訳）: 統計学者の等角予測要素
• Authors: Matteo Sesia, Stefano Favaro,
• Abstract要約: コンフォーマル予測は、予測推論のための急速に成長する代替フレームワークとして現れている。 本稿では、共形予測のコアアイデアと、選択した方法のレビューについて説明する。
• 参考スコア（独自算出の注目度）: 17.012816639498023
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Predictive inference is a fundamental task in statistics, traditionally addressed using parametric assumptions about the data distribution and detailed analyses of how models learn from data. In recent years, conformal prediction has emerged as a rapidly growing alternative framework that is particularly well suited to modern applications involving high-dimensional data and complex machine learning models. Its appeal stems from being both distribution-free -- relying mainly on symmetry assumptions such as exchangeability -- and model-agnostic, treating the learning algorithm as a black box. Even under such limited assumptions, conformal prediction provides exact finite-sample guarantees, though these are typically of a marginal nature that requires careful interpretation. This paper explains the core ideas of conformal prediction and reviews selected methods. Rather than offering an exhaustive survey, it aims to provide a clear conceptual entry point and a pedagogical overview of the field.
• Abstract（参考訳）: 予測推論は統計学における基本的な課題であり、伝統的にデータ分布に関するパラメトリックの仮定と、モデルがデータからどのように学習するかの詳細な分析を用いて対処される。 近年、コンフォメーション予測は、特に高次元データや複雑な機械学習モデルを含む現代的なアプリケーションに好適な、急速に成長する代替フレームワークとして出現している。 その魅力は、主に交換可能性のような対称性の仮定に依存し、学習アルゴリズムをブラックボックスとして扱うことにある。 このような限られた仮定の下でも、共形予測は厳密な有限サンプル保証を提供するが、それらは典型的には注意深い解釈を必要とする限界の性質である。 本稿では、共形予測のコアアイデアと、選択した方法のレビューについて説明する。 徹底的な調査を提供するのではなく、明確な概念的なエントリーポイントと、その分野の教育的概要を提供することを目指している。

関連論文リスト

• Zono-Conformal Prediction: Zonotope-Based Uncertainty Quantification for Regression and Classification Tasks [41.14877380522394]
  コンフォーマル予測は、統計的に有効なカバレッジ保証を備えた予測セットでベース予測器を拡張するために使用される。 本稿では、間隔予測モデルとリーチセット・コンフォーマント同定にインスパイアされた新しいアプローチであるゾノ・コンフォーマル予測を導入する。 ゾノコンフォーマル予測器は間隔予測器モデルや標準共形予測法よりも保守的でないことを示す。
  論文  参考訳（メタデータ） (2025-08-14T19:03:28Z)
• A step towards the integration of machine learning and classic model-based survey methods [0.0]
  従来の調査における機械学習手法の使用は依然として非常に限られている。 本稿では,これらのアルゴリズムが支持する予測器を提案する。
  論文  参考訳（メタデータ） (2024-02-12T09:43:17Z)
• Deep Non-Parametric Time Series Forecaster [19.800783133682955]
  提案手法は, 予測分布のパラメトリック形式を仮定せず, 学習可能な戦略に従って実験分布からサンプリングして予測を生成する。 提案手法のグローバルバージョンを開発し,複数の時系列にまたがる情報を活用することで,サンプリング戦略を自動的に学習する。
  論文  参考訳（メタデータ） (2023-12-22T12:46:30Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Design-based conformal prediction [0.0]
  コンフォーマル予測(Conformal prediction)は、分布のない予測間隔や集合を生成するための仮定リーンなアプローチである。 そこで本研究では, 共形予測が, 複合的なサンプルサーベイ設計から得られるデータにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2023-03-02T17:15:31Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Instance-Based Neural Dependency Parsing [56.63500180843504]
  依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。 私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
  論文  参考訳（メタデータ） (2021-09-28T05:30:52Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)

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。