論文の概要: Online Localized Conformal Prediction

• arxiv url: http://arxiv.org/abs/2605.05497v2
• Date: Fri, 08 May 2026 15:00:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 16:31:22.933003
• Title: Online Localized Conformal Prediction
• Title（参考訳）: オンライン・ローカライズド・コンフォーマル予測
• Authors: Yuheng Lai, Garvesh Raskutti,
• Abstract要約: ヘテロジニティをよりよく反映するために,emphOnline Localized Conformal Prediction (OLCP)を提案する。 提案手法は,両アルゴリズムのカバレッジ保証を提供し,シミュレーションおよび実データ実験により,提案手法が長期間にわたって有効なカバレッジを実現することを実証する。
• 参考スコア（独自算出の注目度）: 2.635536317968963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction is a framework that provides valid uncertainty quantification for general models with exchangeable data. However, in the online learning and time-series settings, exchangeability is not satisfied. Existing online conformal methods, such as adaptive conformal inference (ACI), can achieve long-run validity, yet they remain inefficient under covariate heterogeneity because they rely on global calibration. We propose \emph{Online Localized Conformal Prediction (OLCP)}, which combines online adaptation with covariate-dependent localization to better reflect heterogeneity. To reduce sensitivity to the localization bandwidth, we further develop \emph{OLCP-Hedge}, which performs bandwidth selection as an online expert aggregation problem using a constrained online convex optimization framework. Importantly, we provide coverage guarantees for both algorithms and demonstrate through simulations and real-data experiments that the proposed methods attain valid long-run coverage with narrower prediction sets than existing baselines.
• Abstract（参考訳）: コンフォーマル予測は、交換可能なデータを持つ一般モデルに対して有効な不確実性定量化を提供するフレームワークである。 しかし、オンライン学習や時系列設定では、交換性が満足できない。 アダプティブコンフォメーション推論(ACI)のような既存のオンラインコンフォメーション手法は、長期の妥当性を達成することができるが、グローバルキャリブレーションに依存するため、共変量の不均一性の下では非効率である。 オンライン適応と共変量に依存した局所化を組み合わせ、不均一性を反映する「emph{Online Localized Conformal Prediction (OLCP)」を提案する。 局所化帯域幅に対する感度を低減するために,制約付きオンライン凸最適化フレームワークを用いて,オンライン専門家集約問題として帯域幅選択を行う「emph{OLCP-Hedge}」を開発した。 重要なことは,アルゴリズムのカバレッジ保証を提供し,シミュレーションと実データ実験により,提案手法が既存のベースラインよりも狭い予測セットで有効な長時間カバレッジを実現することを実証する。

関連論文リスト

• Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
  ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。 結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
  論文  参考訳（メタデータ） (2026-01-29T15:58:01Z)
• Online selective conformal inference: adaptive scores, convergence rate and optimality [4.7198252163006345]
  そこで我々は,OnlineSCIと呼ばれる点予測アルゴリズムの拡張版を導入する。 OnlineSCIには、極端な結果の予測間隔の構築、禁忌の分類、オンラインテストなど、いくつかの顕著なオンライン選択タスクが含まれている。 適応型版である OnlineSCI が最適解に収束し, 上記の各応用事例において明示的な収束率が得られることを示す。
  論文  参考訳（メタデータ） (2025-08-14T04:36:14Z)
• Online Conformal Probabilistic Numerics via Adaptive Edge-Cloud Offloading [52.499838151272016]
  本研究は, PLS が生成する HPD 集合を, 長期のカバレッジ要件を保証するため, キャリブレーションする手法を提案する。 提案手法は,クラウドからエッジへの散発的なフィードバックを前提としたオンライン共形予測PLS (OCP-PLS) と呼ばれる。 OCP-PLSの有効性は、カバレッジ、予測セットサイズ、クラウド利用のトレードオフに関する洞察をもたらす実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-03-18T17:30:26Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
  我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-15T18:59:30Z)
• Conformalized Online Learning: Online Calibration Without a Holdout Set [10.420394952839242]
  オンライン環境では、有効なカバレッジ保証を備えた不確実性セットを構築するためのフレームワークを開発する。 複数出力回帰問題に対して有効な区間を構築する方法を示す。
  論文  参考訳（メタデータ） (2022-05-18T17:41:37Z)

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。