論文の概要: TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models

• arxiv url: http://arxiv.org/abs/2605.07100v1
• Date: Fri, 08 May 2026 01:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.716364
• Title: TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models
• Title（参考訳）: TRACE:拡散・流れマッチングモデルによる輸送配向等角予測
• Authors: Zhenhan Fang, Aixin Tan, Jian Huang,
• Abstract要約: 多次元出力に対して有効な情報領域を構築する方法について検討する。 交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。 結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
• 参考スコア（独自算出の注目度）: 4.9352098965615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Constructing valid and informative conformal prediction regions for multi-dimensional outputs remains a fundamental challenge. While conformal prediction provides finite-sample, distribution-free coverage guarantees, its practical performance critically depends on the choice of nonconformity score. Existing approaches often rely on restrictive geometric assumptions or require explicit likelihood evaluation and invertible transformations, limiting their applicability in complex generative settings. In this work, we introduce TRACE (TRansport Alignment Conformal Estimation), a conformal prediction framework that defines nonconformity through transport alignment in diffusion and flow matching models. Rather than evaluating likelihoods, we measure how well a candidate output aligns with the learned generative dynamics by averaging denoising or velocity-matching errors along stochastic transport trajectories. The resulting transport-based scores are scalar-valued and can be calibrated using split conformal prediction, yielding valid marginal coverage under exchangeability. We further analyze the statistical properties of the proposed scores and their sensitivity to computational budget. Experiments on synthetic and real datasets demonstrate valid coverage and show that the resulting regions adapt naturally to multimodal and non-convex conditional distributions.
• Abstract（参考訳）: 多次元出力に対する有効かつ情報的な共形予測領域を構築することは、依然として根本的な課題である。 共形予測は有限サンプルで分布のないカバレッジ保証を提供するが、実際の性能は非整合性スコアの選択に大きく依存する。 既存のアプローチは、しばしば制限的な幾何学的仮定に依存するか、明示的な可能性評価と可逆変換を必要とし、複雑な生成的環境においてそれらの適用性を制限する。 本研究では,拡散および流速マッチングモデルにおける輸送アライメントによる非整合性を定義する共形予測フレームワークであるTRACE(TRansport Alignment Conformal Estimation)を導入する。 確率を評価するのではなく、確率的輸送軌道に沿ったデノジングや速度マッチング誤差を平均化することにより、候補出力が学習した生成力学とどの程度うまく一致しているかを測定する。 結果として得られる輸送ベースのスコアはスカラー評価され、スプリット整形予測を用いて校正することができ、交換性の下で有効な限界カバレッジが得られる。 さらに,提案したスコアの統計特性と計算予算に対する感度について分析する。 合成および実データセットの実験は、有効なカバレッジを示し、結果の領域がマルチモーダルおよび非凸条件分布に自然に適応することを示す。

関連論文リスト

• Solving physics-constrained inverse problems with conditional flow matching [0.6567875008573567]
  本稿では,物理制約付き逆問題に対する条件付きフローマッチングフレームワークを提案する。 ニューラルネットワークは、確率フロー常微分方程式の速度場を学習するために訓練される。 オーバートレーニングは生成した条件分布の振る舞いを誘導できることを示す。
  論文  参考訳（メタデータ） (2026-03-14T21:43:48Z)
• Flow-Based Conformal Predictive Distributions [1.2691047660244335]
  微分可能な非整合性スコアは、軌道が対応する共形予測集合の境界に収束する出力空間上の決定論的フローを誘導することを示す。 これにより、任意の次元の共形境界をサンプリングする計算効率が良く、トレーニング不要な手法が導かれる。 我々は, PDE逆問題, 降水ダウンスケーリング, 気候モデルデバイアス, ハリケーン軌道予測に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-02-07T17:26:50Z)
• Locally Adaptive Conformal Inference for Operator Models [5.78532405664684]
  演算子モデルに対して関数値の局所適応予測セットを生成するための分散フリーフレームワークであるLocal Sliced Conformal Inference (LSCI)を紹介する。 我々は有限サンプルの有効性を証明し、局所交換性の下でのカバレッジギャップにデータ依存の上限を導出する。 偏りのある予測や分布外雑音に対する空間を実証的に実証する。
  論文  参考訳（メタデータ） (2025-07-28T16:37:56Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• 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)
• 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)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。