論文の概要: Robust Conditional Conformal Prediction via Branched Normalizing Flow

• arxiv url: http://arxiv.org/abs/2605.01868v1
• Date: Sun, 03 May 2026 13:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.973351
• Title: Robust Conditional Conformal Prediction via Branched Normalizing Flow
• Title（参考訳）: 分岐正規化流によるロバスト条件整形予測
• Authors: Rui Xu, Xingyuan Chen, Wenxing Huang, Minxuan Huang, Weiyan Chen, Sihong Xie, Hui Xiong,
• Abstract要約: キャリブレーションとテスト分布が同一であるという仮定の下で、限界カバレッジを持つコンフォーマルな予測構造が保証される。 分岐正規化フロー (BNF) は、テスト入力をキャリブレーション分布に正規化し、正規化された入力の予測セットをテスト分布に変換する2分岐アーキテクチャである。 BNFは、幅広い信頼レベルにわたる9つのデータセットの条件付きカバレッジの堅牢性を一貫して改善する。
• 参考スコア（独自算出の注目度）: 20.92399096303012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) constructs prediction sets with marginal coverage guarantees under the assumption that the calibration and test distributions are identical. However, under distribution shift, existing approaches primarily align marginal conformal score distributions, which is sufficient to preserve marginal coverage but does not control the conditional coverage error at individual test inputs. As a consequence, CP can remain unreliable in regions where the conditional score distributions are mismatched. In this work, we bound the conditional invalidity of CP under distribution shift in terms of the Wasserstein distance between the calibration and test distributions. This result highlights the role of invertible transport in mitigating conditional coverage degradation. Motivated by this insight, we introduce Branched Normalizing Flow (BNF), a two-branch architecture that normalizes a test input to the calibration distribution and transforms the prediction set of the normalized input back to the test distribution while preserving conditional guarantees. Empirically, BNF consistently improves conditional coverage robustness on nine datasets across a wide range of confidence levels.
• Abstract（参考訳）: CP(Conformal Prediction)は、キャリブレーションとテスト分布が同一であると仮定して、限界カバレッジを保証する予測セットを構築する。 しかし、分布シフトの下では、既存のアプローチは主に、限界被覆を保存するのに十分であるが、個々のテスト入力における条件被覆誤差を制御できないような、限界共形スコア分布を整列する。 その結果、条件スコア分布が一致していない領域ではCPは信頼性が保たれる。 本研究では, キャリブレーションと試験分布の間のワッサーシュタイン距離の分布シフトにおけるCPの条件付き無効性について検討する。 この結果は条件付きカバレッジ劣化の緩和における可逆輸送の役割を強調している。 この知見に触発された分枝正規化フロー(BNF)は,2分岐アーキテクチャであり,検定分布に対するテスト入力を正規化し,条件付き保証を保ちながら正規化された入力の予測セットをテスト分布に変換する。 BNFは、広範囲の信頼レベルにわたる9つのデータセットの条件付きカバレッジの堅牢性を一貫して改善する。

関連論文リスト

• KMM-CP: Practical Conformal Prediction under Covariate Shift via Selective Kernel Mean Matching [19.67518257951341]
  Conformal Prediction (CP) は、交換可能性の下で有限サンプルカバレッジを保証する。 Kernel Mean Matching(KMM)に基づく共形予測フレームワークKMM-CPを提案する。 現実的な分布シフトを伴う分子特性予測ベンチマークの実験により、KMM-CPは既存のアプローチと比較して、カバレッジギャップを50%以上削減することが示された。
  論文  参考訳（メタデータ） (2026-03-27T13:44:42Z)
• Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
  コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。 この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。 ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-16T16:48:39Z)
• ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
  コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。 BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。 本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T07:18:35Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• 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)
• 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)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model [24.58531056536442]
  整形予測(CP)は、テスト入力上の集合を予測することによって不確実性を扱う。 このカバレッジは、キャリブレーションとテストデータセットの差分分布が$P_X$であったとしても、テストデータ上で保証することができる。 本稿では,上界を小さくする物理インフォームド構造因果モデル(PI-SCM)を提案する。
  論文  参考訳（メタデータ） (2024-03-22T08:13:33Z)
• Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
  実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。 我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
  論文  参考訳（メタデータ） (2022-05-28T02:59:05Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。