論文の概要: Stable Localized Conformal Prediction via Transduction
- arxiv url: http://arxiv.org/abs/2605.01452v1
- Date: Sat, 02 May 2026 14:02:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-05 20:33:49.781247
- Title: Stable Localized Conformal Prediction via Transduction
- Title（参考訳）: トランスダクションによる安定局所等角予測
- Authors: Yinjie Min, Liuhua Peng, Changliang Zou,
- Abstract要約: 実際には、制限されたサイズのキャリブレーションセットが1つしかない場合、予測セットは、しばしば高いばらつきを示す。
我々は、この懸念を、キャリブレーションデータから設定サイズの条件付き期待値の分散として定義される集合安定性として定式化する。
本稿では,ラベル付きソースタスクデータとラベルなしターゲットデータを利用した移動学習手法であるStable Conformal Prediction (StCP)を提案する。
- 参考スコア（独自算出の注目度）: 13.943418761732936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing evaluations of conformal prediction, such as prediction efficiency and test-conditional coverage, are defined in expectation over the calibration data. In practice, when only one calibration set of limited size is available, prediction sets often exhibit high variability in size, especially for methods with localization. We formalize this concern as set stability, defined as the variance of the conditional expectation of the set size given the calibration data. To improve stability without requiring additional target-task labels, we propose Stable Conformal Prediction (StCP), a transfer learning approach that utilizes labeled source-task data and unlabeled target data. Theoretically, we characterize the marginal coverage and stability of StCP; empirically, it delivers more stable prediction sets than standard conformal prediction methods, especially for those with localization, when calibration data are limited.
- Abstract（参考訳）: キャリブレーションデータに対する予測において、予測効率やテスト条件カバレッジなどの既存の共形予測の評価が定義される。
実際には、限定されたサイズのキャリブレーションセットが1つしか利用できない場合、特にローカライゼーションを持つ方法において、予測セットは高いばらつきを示すことが多い。
我々は、この懸念を、キャリブレーションデータから設定サイズの条件付き期待値の分散として定義される集合安定性として定式化する。
ラベル付きソースタスクデータとラベルなしターゲットデータを利用した移動学習手法StCPを提案する。
理論的には、StCPの限界被覆と安定性を特徴付けており、特にキャリブレーションデータに制限がある場合、標準等角予測法よりも安定な予測セットを提供する。
関連論文リスト
- Prediction-Powered Conditional Inference [15.801272841475681]
本研究では,ラベル付きデータが少ない環境での予測型条件推論について検討する。
提案手法は,局所化と予測に基づく分散化を併用する。
シミュレーションおよび実データセットに関する数値実験は、有効な条件付きカバレッジを示す。
論文 参考訳（メタデータ） (2026-03-05T17:13:06Z) - Anytime-Valid Conformal Risk Control [9.475553038511336]
共形予測とリスク制御は、統計的に有効なエラー制御を計算的に効率的に示す予測セットを生成することができる。
任意の時点において累積的に増大するキャリブレーションデータセットに対して高い確率で有効となるように制御を拡張した。
論文 参考訳（メタデータ） (2026-02-04T09:39:36Z) - When Can We Reuse a Calibration Set for Multiple Conformal Predictions? [0.0]
我々は,e-conformal predictionとHoeffdingの不等式が組み合わさって,単一校正集合の繰り返し使用を可能にすることを示す。
我々は、ディープニューラルネットワークをトレーニングし、キャリブレーションセットを使用して、Hoeffdingの補正を推定する。
この補正により、修正マルコフの不等式を適用することができ、定量化された信頼度を持つ予測セットを構築することができる。
論文 参考訳（メタデータ） (2025-06-24T14:57:25Z) - Adaptive Set-Mass Calibration with Conformal Prediction [60.47079469141295]
提案手法は,まず共形予測から始まり,所望のカバレッジを与えるラベルの集合を得る。
次に、共形制約に合わせて、質量正規化と温度スケーリングに基づくルールの2つの簡単なポストホックキャリブレータをインスタンス化する。
論文 参考訳（メタデータ） (2025-05-21T12:18:15Z) - Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。
しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。
信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-13T15:37:11Z) - Few-Shot Calibration of Set Predictors via Meta-Learned
Cross-Validation-Based Conformal Prediction [33.33774397643919]
本稿では,設定した予測サイズを減らすことを目的としたメタ学習ソリューションを提案する。
より効率的なバリデーションベースのCPではなく、クロスバリデーションベースのCP上に構築されている。
これは、厳格なタスク・マージナル保証を減らすのではなく、正式なタスク毎のキャリブレーション保証を保持する。
論文 参考訳（メタデータ） (2022-10-06T17:21:03Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳（メタデータ） (2020-06-29T21:50:07Z)
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。