論文の概要: Weighted Bayesian Conformal Prediction

• arxiv url: http://arxiv.org/abs/2604.06464v1
• Date: Tue, 07 Apr 2026 21:07:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.240286
• Title: Weighted Bayesian Conformal Prediction
• Title（参考訳）: 重み付きベイズ波形予測
• Authors: Xiayin Lou, Peng Luo,
• Abstract要約: 我々は、BQ-CPを任意の重み付け設定に一般化するtextbfWeighted Bayesian Conformal Prediction (WBCP)を提案する。 合成および実世界の空間データセットの実験により、WBCPはよりリッチな不確実性情報を提供しながら、カバレッジ保証を維持していることが示された。
• 参考スコア（独自算出の注目度）: 3.490039397459522
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction provides distribution-free prediction intervals with finite-sample coverage guarantees, and recent work by Snell \& Griffiths reframes it as Bayesian Quadrature (BQ-CP), yielding powerful data-conditional guarantees via Dirichlet posteriors over thresholds. However, BQ-CP fundamentally requires the i.i.d. assumption -- a limitation the authors themselves identify. Meanwhile, weighted conformal prediction handles distribution shift via importance weights but remains frequentist, producing only point-estimate thresholds. We propose \textbf{Weighted Bayesian Conformal Prediction (WBCP)}, which generalizes BQ-CP to arbitrary importance-weighted settings by replacing the uniform Dirichlet $\Dir(1,\ldots,1)$ with a weighted Dirichlet $\Dir(\neff \cdot \tilde{w}_1, \ldots, \neff \cdot \tilde{w}_n)$, where $\neff$ is Kish's effective sample size. We prove four theoretical results: (1)~$\neff$ is the unique concentration parameter matching frequentist and Bayesian variances; (2)~posterior standard deviation decays as $O(1/\sqrt{\neff})$; (3)~BQ-CP's stochastic dominance guarantee extends to per-weight-profile data-conditional guarantees; (4)~the HPD threshold provides $O(1/\sqrt{\neff})$ improvement in conditional coverage. We instantiate WBCP for spatial prediction as \emph{Geographical BQ-CP}, where kernel-based spatial weights yield per-location posteriors with interpretable diagnostics. Experiments on synthetic and real-world spatial datasets demonstrate that WBCP maintains coverage guarantees while providing substantially richer uncertainty information.
• Abstract（参考訳）: 等角予測は有限サンプル被覆保証付き分布自由予測区間を提供し、Snell \& Griffiths による最近の研究はベイズ四分法 (Bayesian Quadrature, BQ-CP) として再編成し、ディリクレの後続法を介して強力なデータ条件保証を与える。 しかしながら、BQ-CP は基本的に、著者自身が特定する極限である i.d. の仮定を必要とする。 一方、重み付き共形予測は重みによる分布シフトを扱うが、頻繁であり、点推定しきい値のみを生成する。 統一Dirichlet $\Dir(1,\ldots,1)$を重み付きDirichlet $\Dir(\neff \cdot \tilde{w}_1, \ldots, \neff \cdot \tilde{w}_n)$に置き換えることで、BQ-CPを任意の重要重み付き設定に一般化する。 1~$\neff$は頻繁性とベイズ的分散に一致する一意な濃度パラメータであり、(2)~後方標準偏差は$O(1/\sqrt{\neff})$; (3)~BQ-CPの確率的優位性保証は、重み付きデータ条件保証にまで拡張され、(4)~HPD閾値は$O(1/\sqrt{\neff})$条件付きカバレッジの向上を提供する。 我々は、WBCPを「emph{Geographical BQ-CP}」とみなし、カーネルベースの空間重みが解釈可能な診断を行う。 合成および実世界の空間データセットの実験により、WBCPはよりリッチな不確実性情報を提供しながら、カバレッジ保証を維持していることが示された。

関連論文リスト

• CRPS-Optimal Binning for Conformal Regression [0.0]
  そこで本研究では,共分類観測を連続したビンに分割した非パラメトリック条件分布推定法を提案する。 非整合性スコアとしてCRPSに基づくVenn予測バンドと共形予測セットの2つの補完的予測オブジェクトを形成する。
  論文  参考訳（メタデータ） (2026-03-23T14:07:09Z)
• Leverage-Weighted Conformal Prediction [1.3537117504260623]
  分割共形予測は、有限サンプルの限界カバレッジを持つ分布のない予測間隔を提供する。 統計的レバレッジの関数により非整合性のスコアを重み付けするLevanage-Weighted Conformal Predictionを提案する。
  論文  参考訳（メタデータ） (2026-02-13T07:49:39Z)
• 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)
• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• Backward Conformal Prediction [46.298122008420414]
  我々は、予測セットのサイズを柔軟に制御しながら、コンフォーマルカバレッジを保証するメソッドである$textitBackward Conformal Prediction$を紹介した。 提案手法は,観測データに基づいて,予測セットサイズがどう振る舞うかを制約するルールを定義し,それに応じてカバレッジレベルを適応させる。 このアプローチは、医療診断のような大きな予測セットが実用的でないアプリケーションで特に有用である。
  論文  参考訳（メタデータ） (2025-05-19T21:08:14Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)

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。