論文の概要: Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration
- arxiv url: http://arxiv.org/abs/2605.18354v1
- Date: Mon, 18 May 2026 13:10:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.620498
- Title: Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration
- Title（参考訳）: Decoupled Conformal Optimization:独立調整と校正による効率的な予測セット
- Authors: Fanyi Wu, Lihua Niu, Samuel Kaski, Michele Caprio,
- Abstract要約: そこで我々は,列車チューンキャリブレート設計の原則としてデカップリング・コンフォーマル最適化(DCO)を提案する。
DCOは、効率指向構造選択のために独立したチューニングスプリットと、最終共形量子化のための新鮮なキャリブレーションスプリットを使用する。
DCOは,PACスタイルのキャリブレーションに対して,平均予測セットサイズや間隔幅を小さくしながら,名目カバレッジレベルを密に追跡する。
- 参考スコア（独自算出の注目度）: 20.21455697379946
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bayesian conformal optimisation methods often use the same held-out data both to search for efficient prediction sets and to certify coverage or risk. This coupling is natural for high-probability risk-control guarantees, but it is not necessary when the target is standard finite-sample marginal conformal coverage. We propose Decoupled Conformal Optimisation (DCO), a train-tune-calibrate design principle that uses an independent tuning split for efficiency-oriented structural selection and a fresh calibration split for the final conformal quantile. Conditional on the tuned structure, standard split-conformal exchangeability yields finite-sample marginal coverage for any candidate class, without a confidence parameter or multiple-testing correction. DCO therefore targets a different finite-sample guarantee from PAC-style methods: marginal conformal coverage rather than high-probability risk control. Under consistency assumptions on the coupled risk bound, the two approaches nevertheless converge to the same population threshold. Across classification and regression benchmarks, including ImageNet-A, CIFAR-100, Diabetes, California Housing, and Concrete, DCO tracks the nominal coverage level closely while often reducing average prediction-set size or interval width relative to PAC-style calibration. On ImageNet-A, for example, the average set size decreases from $26.52$ to $25.26$ and the 95th-percentile set size from $58.95$ to $53.73$; on Diabetes, the average interval width decreases from $2.098$ to $1.914$.
- Abstract（参考訳）: ベイズ的共形最適化法は、しばしば、効率的な予測セットの探索と、カバレッジやリスクの証明の両方に、同じ保持データを使用する。
この結合は、高確率リスク制御保証には自然であるが、目標が標準有限サンプル境界等角被覆である場合には不要である。
そこで本稿では, 効率指向構造選択に独立チューニング分割, 最終共形量子化に新キャリブレーション分割を用いる列車チューンキャリブレート設計原理であるデカップリングコンフォーマル最適化(DCO)を提案する。
調整された構造を条件として、標準の分割整合性は、信頼パラメータや多重テスト補正なしで、任意の候補クラスに対して有限サンプルの限界被覆をもたらす。
したがって、DCOはPAC方式とは異なる有限サンプル保証を目標としている。
結合リスク境界上の整合性仮定の下では、2つのアプローチは同じ集団しきい値に収束する。
ImageNet-A, CIFAR-100, Diabetes, California Housing, concreteなど、分類と回帰のベンチマーク全体を通じて、DCOは、PACスタイルのキャリブレーションに対する平均的な予測セットサイズやインターバル幅を減少させながら、命名されたカバレッジレベルを綿密に追跡する。
例えばImageNet-Aでは、平均セットサイズが26.52ドルから25.26ドルに、95セントセットサイズが58.95ドルから53.73ドルに減少し、ディアベテスでは平均インターバル幅が2.098ドルから1.914ドルに減少する。
関連論文リスト
- Active Multiple-Prediction-Powered Inference [2.1710524042938073]
医療のデプロイ後のモニタリングには統計的に有効なラベル効率の方法が必要であるが、クリニックチャートのゴールドスタンダードラベルは高価である。
我々は,各インスタンスをコスト適切な予測器にルーティングし,金標準ラベルを比例してサンプリングし,単一のデプロイ時間に予測を再現する予測能動型推論(AM-PPI)を提案する。
論文 参考訳（メタデータ） (2026-05-08T19:48:57Z) - Non-monotonicity in Conformal Risk Control [4.71350885287928]
コンフォーマルリスク制御(CRC)は、ユーザ指定レベルでの期待損失を制御するための、配布不要の保証を提供する。
有限格子からチューニングパラメータを選択する際に, CRC を非単調な損失関数で検討する。
単調性のないCRCの妥当性は, キャリブレーション試料サイズとグリッド分解能の関係に依存することを示す。
論文 参考訳（メタデータ） (2026-04-02T00:26:50Z) - 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) - Leverage-Weighted Conformal Prediction [1.3537117504260623]
分割共形予測は、有限サンプルの限界カバレッジを持つ分布のない予測間隔を提供する。
統計的レバレッジの関数により非整合性のスコアを重み付けするLevanage-Weighted Conformal Predictionを提案する。
論文 参考訳（メタデータ） (2026-02-13T07:49:39Z) - ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。
BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。
本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
論文 参考訳（メタデータ） (2026-02-02T07:18:35Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - 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) - Backward Conformal Prediction [46.298122008420414]
我々は、予測セットのサイズを柔軟に制御しながら、コンフォーマルカバレッジを保証するメソッドである$textitBackward Conformal Prediction$を紹介した。
提案手法は,観測データに基づいて,予測セットサイズがどう振る舞うかを制約するルールを定義し,それに応じてカバレッジレベルを適応させる。
このアプローチは、医療診断のような大きな予測セットが実用的でないアプリケーションで特に有用である。
論文 参考訳（メタデータ） (2025-05-19T21:08:14Z) - Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。
我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
論文 参考訳（メタデータ） (2025-03-07T08:41:53Z) - 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)
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。