論文の概要: Weight Clipping for Robust Conformal Inference under Unbounded Covariate Shifts

• arxiv url: http://arxiv.org/abs/2605.02072v1
• Date: Sun, 03 May 2026 22:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.068502
• Title: Weight Clipping for Robust Conformal Inference under Unbounded Covariate Shifts
• Title（参考訳）: 非有界共変量シフト下でのロバストな等角的推論のためのウェイトクリッピング
• Abstract要約: 密度比推定のための最小二乗重み付け法としてクリッピング最小二乗重み付けを導入する。 WCPに接続すると,CLISFを用いて学習した密度比が,予測される潜伏量に制限があることが判明した。 我々は、共形推論におけるウェイトクリッピングに関する最初の理論的保証を提供する。
• 参考スコア（独自算出の注目度）: 16.253156035425057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction (CP) provides powerful, distribution-free prediction sets, but its guarantees rely on the exchangeability of training and test data, which is often violated in practice due to covariate shifts. While weighted conformal prediction (WCP) is designed to handle such shifts, it can suffer from significant undercoverage when the density ratio between the distributions is unbounded and/or must be learned. This is because of both overfitting in learning the density ratio, and high variance in estimating the nonconformity score threshold. To address this, we introduce clipped least-squares importance fitting (CLISF) as a reduced-variance method for density ratio estimation. Specifically, we show that density ratios learned using CLISF, when plugged into WCP, have bounded expected undercoverage. Furthermore, we show that the undercoverage can be corrected by running WCP with a slightly inflated coverage target; crucially, we are able to estimate the required level of inflation from the data. We provide the first theoretical guarantees for weight clipping in conformal inference, achieving dataset-conditional coverage with a sample complexity that does not blow up with the higher moments of the true density ratio -- a key limitation of prior work. We verify our results on real-world benchmarks and synthetic data.
• Abstract（参考訳）: コンフォーマル予測(CP)は、強力で分布のない予測セットを提供するが、その保証は訓練データとテストデータの交換可能性に依存しており、これは共変量シフトによって実際に違反されることが多い。 重み付き共形予測(WCP)はそのようなシフトに対処するために設計されているが、分布間の密度比が非有界である場合や、学習しなければならない場合、重大な潜伏に悩まされる可能性がある。 これは、密度比の学習における過度な適合と、非整合スコア閾値の推定における高いばらつきの両方が原因である。 そこで本研究では, 密度比推定法として, クリッピング最小二乗重み付け (CLISF) を導入する。 具体的には, WCPに接続したCLISFを用いて学習した密度比が, 期待される潜伏範囲を限定していることを示す。 さらに,WCPをわずかに膨らませた範囲で実行することで,データから必要なインフレーションレベルを推定できることを示す。 また,本論文では, 従来の作業の限界である真の密度比の高次モーメントを伴わないような, サンプルの複雑度で, データセット条件のカバレッジを実現することにより, 共形推論におけるウェイトクリッピングに関する最初の理論的保証を提供する。 実世界のベンチマークと合成データで結果を検証する。

関連論文リスト

• Nonparametric Goodness-of-fit Testing under Covariate Shift [4.3686879183724665]
  分布ミスマッチは、目標ソース密度比上の有界モーメント条件またはサブ指数テール条件によって定量化される。 本手法は,重み付けされたカーネルリッジ回帰と乗算ブートストラップを組み合わせることで,回帰関数に対する信頼セットを構築する。 適切な演算子互換条件下では、結果の信頼集合の漸近的妥当性と鋭さが証明される。
  論文  参考訳（メタデータ） (2026-08-05T13:51:43Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Density-Ratio Losses for Post-Hoc Learning to Defer [61.81110533670321]
  理想分布のレンズを用いて,ポストホック学習からデファー(L2D)までの研究を行った。 モデルと専門家のイデアルの間の密度比を通じて、deferralを定義します。 次に、ディフェラル決定はスコアを閾値付けすることで行われ、deferral rateは再トレーニングせずに調整される。
  論文  参考訳（メタデータ） (2026-05-19T08:56:23Z)
• Unbounded Density Ratio Estimation and Its Application to Covariate Shift Adaptation [6.455982311339433]
  非有界密度比の推定は 統計的学習において 未調査だが重要な課題だ 既存の文献の多くは、密度比が一様有界か無有界かのどちらかであるが正確に知られていると仮定している。 ソースとターゲットの両方の分布からラベル付けされていないデータを活用する3段階推定法を提案する。
  論文  参考訳（メタデータ） (2026-03-31T13:24:50Z)
• 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)
• Colorful Pinball: Density-Weighted Quantile Regression for Conditional Guarantee of Conformal Prediction [7.273442425568326]
  我々は、多くの共形法を支える量子レグレッション成分を洗練する。 我々は、結果として生じる過剰なリスクを特徴付ける、正確な非漸近的保証を伴う理論的分析を提供する。 多様な高次元実世界のデータセットの実験では、条件付きカバレッジ性能が著しく改善された。
  論文  参考訳（メタデータ） (2025-12-30T11:02:35Z)
• Federated Conditional Conformal Prediction via Generative Models [12.463514743585515]
  Conformal Prediction (CP) は、分布のない不確実性定量化を提供する。 Fed Conditional Conformal Prediction (Fed-CCP)は、ローカルデータの不均一性に対応する条件付きカバレッジを目指している。 実際のデータセットの実験は、Fed-CCPがより適応的な予測セットを達成することを示す。
  論文  参考訳（メタデータ） (2025-10-15T08:38:38Z)
• 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)
• 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)
• Kernel-based Optimally Weighted Conformal Prediction Intervals [12.814084012624916]
  カーネルを用いた最適重み付き等角予測区間(KOWCPI)を提案する。 KOWCPIは古典的なReweighted Nadaraya-Watson (RNW) 推定器を従属データに対する量子回帰に適応させ、最適なデータ適応重みを学習する。 実時間および合成時系列データに対するKOWCPIの性能を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-05-27T04:49:41Z)
• 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)
• On the Practicality of Differential Privacy in Federated Learning by Tuning Iteration Times [51.61278695776151]
  フェデレートラーニング(FL)は、分散クライアント間で機械学習モデルを協調的にトレーニングする際のプライバシ保護でよく知られている。 最近の研究では、naive flは勾配リーク攻撃の影響を受けやすいことが指摘されている。 ディファレンシャルプライバシ(dp)は、勾配漏洩攻撃を防御するための有望な対策として現れる。
  論文  参考訳（メタデータ） (2021-01-11T19:43:12Z)

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。