Fugu-MT 論文翻訳(概要): Conformalized Super Learner

論文の概要: Conformalized Super Learner

arxiv url: http://arxiv.org/abs/2604.22391v1
Date: Fri, 24 Apr 2026 09:28:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-27 15:36:26.415333
Title: Conformalized Super Learner
Title（参考訳）: コンフォーマル化スーパーラーナー
Authors: Zhanli Wu, Fabrizio Leisen, Miguel-Angel Luque-Fernandez, F. Javier Rubio,
Abstract要約: Super Learner (SL) は、学習者のライブラリからの予測を予測性能に基づいて組み合わせた、広く使われているアンサンブル手法である。 SLに基づいて間隔予測を構築するためのいくつかの手法が提案されている。この研究は、社会デマトグラフィー、生体計測、実験室計測を用いてクレアチニンレベルを予測するための応用である。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Super Learner (SL) is a widely used ensemble method that combines predictions from a library of learners based on their predictive performance. Interval predictions are of considerable practical interest because they allow uncertainty in predictions produced by an individual learner or an ensemble to be quantified. Several methods have been proposed for constructing interval predictions based on the SL, however, these approaches are typically justified using asymptotic arguments or rely on computationally intensive procedures such as the bootstrap. Conformal prediction (CP) is a machine learning framework for constructing prediction intervals with finite-sample and asymptotic coverage guarantees under mild conditions. We propose coupling CP with the SL through a natural construction that mirrors the original SL framework, using individual learner weights and combining learner-specific conformity scores via a weighted majority vote. We characterize the properties of the resulting SL-based prediction intervals for continuous outcomes. We cover settings under exchangeability, potential violations of exchangeability, and data-generating mechanisms exhibiting heteroscedasticity, sparsity, and other forms of distributional heterogeneity. A comprehensive simulation study shows that the conformalized SL achieves valid finite-sample coverage with competitive performance relative to the true data-generating mechanism. A central contribution of this work is an application to predicting creatinine levels using socio-demographic, biometric, and laboratory measurements. This example demonstrates the benefits of an ensemble with carefully selected learners designed to capture key aspects of complex regression functions, including non-linear effects, interactions, sparsity, heteroscedasticity, and robustness to outliers.R
Abstract（参考訳）: Super Learner (SL) は、学習者のライブラリからの予測を予測性能に基づいて組み合わせた、広く使われているアンサンブル手法である。インターバル予測は、個々の学習者やアンサンブルが定量化する予測において不確実性を許容するので、かなりの実用的関心事である。 SLに基づいて間隔予測を構築するためのいくつかの手法が提案されているが、これらの手法は一般的に漸近的議論を用いて正当化されるか、ブートストラップのような計算集約的な手順に依存している。 Conformal Prediction (CP) は、有限サンプルと漸近的カバレッジ保証を備えた予測間隔を構築する機械学習フレームワークである。本稿では,学習者毎の重み付けと学習者毎の適合度スコアを重み付けした多数決により組み合わせ,元のSLフレームワークを反映した自然な構成により,SLとCPを結合する手法を提案する。連続的な結果に対するSLに基づく予測間隔の特性を特徴付ける。我々は、交換可能性、交換可能性の潜在的な違反、不均一性、疎性、その他の分布不均一性を示すデータ生成メカニズムをカバーしている。包括的シミュレーション研究により、共形化SLは真のデータ生成機構と比較して、競合性能で有効な有限サンプルカバレッジを達成できることが示されている。この研究の中心的な貢献は、社会デマトグラフィー、生体計測、実験室の測定を用いてクレアチニンレベルを予測するための応用である。この例では, 非線形効果, 相互作用, 疎結合性, ヘテロセダスティック性, および外乱に対する堅牢性など, 複雑な回帰関数の重要な側面を捉えるために, 慎重に選択された学習者によるアンサンブルの利点を示す。

関連論文リスト

In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning [51.56484100374058]
本稿では,ICLリスクをベイズギャップとポストリアバリアンスの2つのコンポーネントに分割する基本的リスク分解を導入する。一様アテンション変換器の場合、このギャップの非漸近上界を導出し、事前学習プロンプトの数への依存を明確にする。後方変動は本質的なタスクの不確実性を表すモデルに依存しないリスクである。
論文参考訳（メタデータ） (2025-10-13T03:42:31Z)
Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
コンフォーマル予測(CP)は近年,膨大な関心を集めている。本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
論文参考訳（メタデータ） (2025-08-21T12:14:44Z)
Unveil Sources of Uncertainty: Feature Contribution to Conformal Prediction Intervals [0.3495246564946556]
共形予測(CP)に基づく新しいモデルに依存しない不確実性属性(UA)法を提案する。我々は,CP間隔特性-幅や境界条件-を値関数として定義し,入力特徴に対する予測不確かさを属性とする協調ゲームを定義する。人工ベンチマークと実世界のデータセットを用いた実験は、我々のアプローチの実用的有用性と解釈的深さを実証する。
論文参考訳（メタデータ） (2025-05-19T13:49:05Z)
Optimal Transport-based Conformal Prediction [8.302146576157497]
コンフォーマル予測(CP)は、ブラックボックス学習モデルにおける不確実性のための原則化されたフレームワークである。レンズを通して予測スコア関数を処理する新しいCPプロシージャを提案する。次に,マルチ出力回帰とマルチクラス分類の定量化に本手法を適用した。
論文参考訳（メタデータ） (2025-01-31T09:48:28Z)
Regularized Neural Ensemblers [55.15643209328513]
本研究では,正規化ニューラルネットワークをアンサンブル手法として活用することを検討する。低多様性のアンサンブルを学習するリスクを動機として,ランダムにベースモデル予測をドロップすることで,アンサンブルモデルの正規化を提案する。このアプローチはアンサンブル内の多様性の低い境界を提供し、過度な適合を減らし、一般化能力を向上させる。
論文参考訳（メタデータ） (2024-10-06T15:25:39Z)
The Common Stability Mechanism behind most Self-Supervised Learning Approaches [64.40701218561921]
自己指導型学習手法の安定性のメカニズムを説明するための枠組みを提供する。我々は,BYOL,SWAV,SimSiam,Barlow Twins,DINOなどの非コントラスト技術であるSimCLRの動作メカニズムについて議論する。私たちは異なる仮説を定式化し、Imagenet100データセットを使ってそれらをテストします。
論文参考訳（メタデータ） (2024-02-22T20:36:24Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
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)
Learning Efficient Coding of Natural Images with Maximum Manifold Capacity Representations [4.666056064419346]
効率的な符号化仮説は、感覚系の応答特性が入力の統計に適応していることを提案する。エレガントではあるものの、情報理論の特性は実際的な設定や最適化の目的関数として使うのが難しいことで知られている。ここでは、多様体の容量を直接最適化し、最大多様体容量表現(MMCR)が得られるという仮定を概説する。
論文参考訳（メタデータ） (2023-03-06T17:26:30Z)
Conformal prediction set for time-series [16.38369532102931]
不確かさの定量化は複雑な機械学習手法の研究に不可欠である。我々は,時系列の予測セットを構築するために,ERAPS(Ensemble Regularized Adaptive Prediction Set)を開発した。 ERAPSによる有意な限界被覆と条件被覆を示し、競合する手法よりも予測セットが小さい傾向にある。
論文参考訳（メタデータ） (2022-06-15T23:48:53Z)

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。