論文の概要: Conformalized Percentile Interval: Finite Sample Validity and Improved Conditional Performance

• arxiv url: http://arxiv.org/abs/2605.03233v1
• Date: Mon, 04 May 2026 23:51:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.688092
• Title: Conformalized Percentile Interval: Finite Sample Validity and Improved Conditional Performance
• Title（参考訳）: Conformalized Percentile Interval:finite Sample Validityと条件性能の改善
• Authors: Ran Zou, Wanrong Zhu, Bin Nan,
• Abstract要約: ニューラルネットワークを用いて推定した条件累積分布関数(CDF)の確率積分変換(PIT)により得られる応答に対する共形型キャリブレーション法を提案する。 多様な合成および実世界のベンチマークの実験は、既存の方法よりも条件キャリブレーションが良く、時間間隔もかなり短いことを示している。
• 参考スコア（独自算出の注目度）: 9.975170291185004
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction provides distribution-free predictive intervals with finite-sample marginal coverage. However, achieving conditional validity and interval efficiency (in terms of short interval length) remains challenging, particularly in complex settings with heteroskedasticity, skewed responses, or estimation errors. We propose a conformal-style calibration method for responses obtained by the probability integral transform (PIT) of the conditional cumulative distribution function (CDF) estimated via neural networks to construct a finite-sample-adjusted percentile interval with the shortest length determined by the estimated conditional CDF. Calibrating in PIT space is effective because PIT values are asymptotically feature-independent when the CDF estimator is accurate, which mitigates feature-dependent miscoverage and improves conditional calibration. On the other hand, our percentile calibration adapts to the empirical PIT distribution, which is robust against a possibly imperfect estimation of the conditional CDF. We prove the finite-sample marginal coverage property of the proposed method and show its asymptotic conditional coverage under mild consistency conditions. Experiments on diverse synthetic and real-world benchmarks demonstrate better conditional calibration and substantially shorter intervals than existing methods.
• Abstract（参考訳）: 等角予測は、有限サンプルの限界カバレッジを持つ分布自由な予測区間を提供する。 しかし、特にヘテロスケダスト性、歪んだ応答、あるいは推定誤差のある複雑な環境では、条件付き妥当性と間隔効率(短区間長の観点から)を達成することは困難である。 ニューラルネットワークを用いて推定した条件累積分布関数(CDF)の確率積分変換(PIT)により得られる応答に対する共形型キャリブレーション法を提案し,推定条件CDFにより決定される最短長の有限サンプル調整パーセンタイル区間を構築する。 PIT空間の校正は、CDF推定器が正確であるときにPIT値が漸近的に特徴に依存しないため有効であり、特徴に依存した誤発見を軽減し、条件付き校正を改善する。 一方, パーセンタイルのキャリブレーションは経験的PIT分布に適応し, 条件付きCDFの不完全推定に対して頑健である。 本研究では,提案手法の有限サンプル境界被覆特性を証明し,その漸近条件被覆性を示す。 多様な合成および実世界のベンチマークの実験は、既存の方法よりも条件キャリブレーションが良く、時間間隔もかなり短いことを示している。

関連論文リスト

• Shape-Adaptive Conditional Calibration for Conformal Prediction via Minimax Optimization [18.981907372765864]
  ミニマックス最適化予測推論(minimax Optimization Predictive Inference、MOPI)は、キャリブレーションフェーズにおいて、フレキシブルなセット値マッピングのクラスを最適化することにより、事前処理を一般化するフレームワークである。 我々はMOPIが既存のベースラインよりも効率的な予測セットを生成することを示す。
  論文  参考訳（メタデータ） (2026-03-24T16:05:43Z)
• 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)
• Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
  中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。 合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
  論文  参考訳（メタデータ） (2026-03-02T10:43:19Z)
• 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 Thresholded Intervals for Efficient Regression [9.559062601251464]
  Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。 CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。 CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-07-19T17:47:08Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)

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。