論文の概要: On the Burden of Achieving Fairness in Conformal Prediction

• arxiv url: http://arxiv.org/abs/2605.14260v2
• Date: Fri, 15 May 2026 16:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:25.977903
• Title: On the Burden of Achieving Fairness in Conformal Prediction
• Title（参考訳）: 等角予測におけるフェアネス達成のバーデンについて
• Authors: Ziang Gao, Pengqi Liu, Archer Yi Yang, Mouloud Belbahri, Jesse C. Cresswell, Masoud Asgharian,
• Abstract要約: プールキャリブレーションは、群間量子的不均一性によって設定されたスケールにおいて、既約群ワイドカバレッジ歪みを生じさせることを示す。 グループを別々に扱うか、あるいはプールするポリシー間の移動コストを定量化します。
• 参考スコア（独自算出の注目度）: 8.720026908704371
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conformal prediction is often calibrated with a single pooled threshold, but this can hide cross-group heterogeneity in score distributions and distort group-wise coverage. We study this phenomenon through the population score distributions underlying split conformal calibration. First, we derive a conservation law and lower bound showing that pooled calibration incurs irreducible group-wise coverage distortion at a scale set by cross-group quantile heterogeneity. Second, we demonstrate that the two leading fairness definitions for conformal prediction, Equalized Coverage and Equalized Set Size, are fundamentally in tension. Third, we quantify the cost of moving between policies which treat groups separately or pool them. Experiments on synthetic and real data confirm the same bidirectional trade-off after finite-sample calibration. Our results show that, for the policy families studied here, calibration choice does not remove cross-group heterogeneity; it determines whether the resulting distortion appears in the coverage or size dimension, providing a principled lens for analyzing fairness-oriented calibration choices in practice.
• Abstract（参考訳）: コンフォーマル予測は、単一のプール閾値で校正されることが多いが、スコア分布と歪んだグループワイドカバレッジにおいて、クロスグループの不均一性を隠蔽することができる。 本研究では,この現象を,分割等角キャリブレーションに基づく集団スコア分布を通して研究する。 まず, プールキャリブレーションが群ワイド被覆歪みを, 群間量子的不均一性によって設定したスケールで生じることを示す保存則と下界を導出する。 第二に、等式予測のための2つの主要な公平性定義、等化被覆と等化集合サイズが本質的に緊張状態にあることを示す。 第3に、グループを個別に扱い、あるいはプールするポリシー間の移動コストを定量化する。 合成データと実データによる実験では、有限サンプル校正後に同じ双方向のトレードオフが確認された。 本研究の結果から, キャリブレーション選択は群間不均一性を排除せず, 対象範囲やサイズ寸法に歪みが生じているかどうかを判断し, 実際にフェアネス指向のキャリブレーション選択を解析するための原理化されたレンズを提供することがわかった。

関連論文リスト

• Fair regression under localized demographic parity constraints [9.082079838093371]
  F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。 合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
  論文  参考訳（メタデータ） (2026-03-26T09:21:05Z)
• Fix Representation (Optimally) Before Fairness: Finite-Sample Shrinkage Population Correction and the True Price of Fairness Under Subpopulation Shift [0.0]
  機械学習の実践者は、予測精度とグループフェアネスの制約の間の緊張をよく観察する。 いずれの現象も、サブグループ比を誤って表現する訓練データのアーティファクトであることを示す。
  論文  参考訳（メタデータ） (2026-02-05T14:32:05Z)
• Calibration Bands for Mean Estimates within the Exponential Dispersion Family [0.0]
  自動校正のためのテストは、最近になって文献でのみ検討されている。 得られたキャリブレーションバンドは、キャリブレーションと自動キャリブレーションのための様々なテストを構築することができることを示す。
  論文  参考訳（メタデータ） (2025-03-24T17:09:19Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Adaptive Uncertainty Quantification for Generative AI [0.0]
  分割コンフォーマルな推論を反映して、整合性のスコアを校正するブラックボックスアルゴリズムのラッパーを設計する。 校正セット上の適合点に頑健な回帰木を嵌合させることにより適応的分割を実現する。 従来のスプリット・コンフォーマルな推論とは異なり、適応的な分割とグループ内キャリブレーションは、局所的に拡張および縮小できる適応バンドをもたらす。
  論文  参考訳（メタデータ） (2024-08-16T19:37:33Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。