論文の概要: CONTRA: Conformal Prediction Region via Normalizing Flow Transformation
- arxiv url: http://arxiv.org/abs/2605.08561v1
- Date: Fri, 08 May 2026 23:43:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.738985
- Title: CONTRA: Conformal Prediction Region via Normalizing Flow Transformation
- Title（参考訳）: CONTRA:正規化フロー変換による等角予測領域
- Authors: Zhenhan Fang, Aixin Tan, Jian Huang,
- Abstract要約: フロートランシフィケーションの正規化によるコンフォーマル予測領域について紹介する。
精度の高い予測領域を生成するために,CONTRAとその拡張が保証されたカバレッジ確率を維持し,既存の手法より優れていることを示す。
CONTRAは,多次元予測領域の提供という未探索課題に対処し,(条件付き)密度推定に有効なツールである,と結論付けた。
- 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: Density estimation and reliable prediction regions for outputs are crucial in supervised and unsupervised learning. While conformal prediction effectively generates coverage-guaranteed regions, it struggles with multi-dimensional outputs due to reliance on one-dimensional nonconformity scores. To address this, we introduce CONTRA: CONformal prediction region via normalizing flow TRAnsformation. CONTRA utilizes the latent spaces of normalizing flows to define nonconformity scores based on distances from the center. This allows for the mapping of high-density regions in latent space to sharp prediction regions in the output space, surpassing traditional hyperrectangular or elliptical conformal regions. Further, for scenarios where other predictive models are favored over flow-based models, we extend CONTRA to enhance any such model with a reliable prediction region by training a simple normalizing flow on the residuals. We demonstrate that both CONTRA and its extension maintain guaranteed coverage probability and outperform existing methods in generating accurate prediction regions across various datasets. We conclude that CONTRA is an effective tool for (conditional) density estimation, addressing the under-explored challenge of delivering multi-dimensional prediction regions.
- Abstract（参考訳）: 教師なしおよび教師なし学習において,出力の密度推定と信頼性の高い予測領域が重要である。
共形予測は、カバレッジ保証された領域を効果的に生成するが、1次元の非整合性スコアに依存するため、多次元出力に苦慮する。
この問題に対処するために,フロートランシフィケーションの正規化によるコンフォーマル予測領域(CONTRA: Conformal Prediction region)を導入する。
CONTRAは、非整合性スコアを中心からの距離に基づいて定義するために、正規化フローの潜時空間を利用する。
これにより、潜在空間内の高密度領域を出力空間内の鋭い予測領域にマッピングすることができ、従来の超矩形領域や楕円形領域を超えることができる。
さらに、他の予測モデルがフローベースモデルよりも好まれるシナリオに対しては、contraを拡張して、残留物上の単純な正規化フローをトレーニングすることで、信頼できる予測領域を持つ任意のモデルを拡張する。
提案手法は, CONTRA と拡張性の両方が保証されたカバレッジ確率を維持し,様々なデータセットの正確な予測領域を生成する上で,既存の手法よりも優れていることを示す。
CONTRAは,多次元予測領域の提供という未探索課題に対処し,(条件付き)密度推定に有効なツールである,と結論付けた。
関連論文リスト
- TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
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。
論文 参考訳（メタデータ） (2026-05-08T01:28:57Z) - Distribution-informed Online Conformal Prediction [53.674678995825666]
更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。
COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。
我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
論文 参考訳（メタデータ） (2025-12-08T17:51:49Z) - JAPAN: Joint Adaptive Prediction Areas with Normalising-Flows [7.200880964149064]
コンフォーマル予測は、有限サンプルの妥当性を保証する不確実性定量化のためのモデルに依存しないフレームワークを提供する。
既存のアプローチは通常、幾何的制約を課す残差ベースの整合性スコアに依存する。
本稿では,密度に基づく適合度スコアを用いた共形予測フレームワークである日本(Joint Adaptive Prediction Areas with Normalising-Flows)を紹介する。
論文 参考訳（メタデータ） (2025-05-29T07:34:51Z) - Volume-Sorted Prediction Set: Efficient Conformal Prediction for Multi-Target Regression [9.559062601251464]
マルチターゲット回帰における不確実性のための新しい手法であるVolume-Sorted Prediction Set (VSPS)を紹介する。
複雑な高次元設定における情報予測モデルを維持しながら,VSPSがより小さく,より多くの領域を生成することを示す。
論文 参考訳（メタデータ） (2025-03-04T02:34:59Z) - 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) - Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。
主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
論文 参考訳（メタデータ） (2024-01-09T15:28:29Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳（メタデータ） (2022-10-01T02:57:37Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - MD-split+: Practical Local Conformal Inference in High Dimensions [0.5439020425819]
MD-split+は、局所化されたモデル性能に基づいてXパーティションを生成する、実用的な局所共形アプローチである。
我々は,我々の局所的分割が条件付き共形推論手法から期待される行動と哲学的にどのように一致しているかを論じる。
論文 参考訳（メタデータ） (2021-07-07T15:19:16Z)
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。