論文の概要: Parameter-Free and Group Conditional Online Conformal Prediction

• arxiv url: http://arxiv.org/abs/2606.00419v2
• Date: Tue, 02 Jun 2026 15:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 18:57:50.352695
• Title: Parameter-Free and Group Conditional Online Conformal Prediction
• Title（参考訳）: パラメータフリー・グループ条件付きオンラインコンフォーマル予測
• Authors: Beepul Bharti, Ambar Pal, Jacopo Teneggi, Jeremias Sulam,
• Abstract要約: 不確かさの定量化は、現実のシナリオにおける機械学習予測器の展開に不可欠である。 オンライン共形予測(OCP)手法は、(i)グループワイドエラー制御または(ii)学習速度独立実装を犠牲にしてこの問題に対処する。 我々は,グループ条件付きOCPのためのパラメータフリーアルゴリズムを提案し,グループ条件付き適用保証が最適であることを実証した。
• 参考スコア（独自算出の注目度）: 15.407762755896677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Uncertainty quantification (UQ) is critical for the deployment of machine learning predictors in real-world scenarios where the data distribution may shift over time (i.e., data may not be exchangeable). Online conformal prediction (OCP) methods address this issue at the expense of either (i) group-wise error control or (ii) learning-rate independent implementation. Group-conditional coverage is essential for fairness across different collections of data points and for providing finer UQ guarantees. Parameter-free optimization is crucial for robustness to adversarial and unknown data shifts. We propose a parameter-free algorithm for group-conditional OCP and demonstrate that it achieves the best group-conditional coverage guarantees. We evaluate our algorithm on synthetic and real-world data, demonstrating that our method not only improves the reliability of existing parameter-free OCP methods but also provides prediction intervals that are comparable in size to well-tuned group-conditional approaches. By unifying group-conditional coverage with parameter-free online algorithms, our work lays a foundation for fair and robust uncertainty quantification in shifting environments.
• Abstract（参考訳）: 不確実性定量化(英: Uncertainty Quantification、UQ)は、データ分散が時間とともに変化する(つまり、データは交換可能でない)現実のシナリオにおける機械学習予測器の展開において重要である。 オンライン共形予測(OCP)手法は、どちらを犠牲にしてこの問題に対処する。 (i)グループワイドエラー制御 (II)学習速度独立実装。 グループ条件のカバレッジは、さまざまなデータポイントのコレクションの公平性と、より詳細なUQ保証の提供に不可欠である。 パラメータフリーの最適化は、敵対的および未知のデータシフトに対する堅牢性にとって不可欠である。 我々は,グループ条件付きOCPのためのパラメータフリーアルゴリズムを提案し,グループ条件付き適用保証が最適であることを実証した。 提案手法は,既存のパラメータフリーOCP手法の信頼性を向上するだけでなく,高精度なグループ条件付き手法と同等の大きさの予測間隔を提供することを示す。 パラメータフリーオンラインアルゴリズムによるグループ条件付きカバレッジを統一することにより、シフト環境における公平で堅牢な不確実性定量化の基礎となる。

関連論文リスト

• Conditional Predictive Inference for General Structured Data with Group Symmetries [0.43328790010087576]
  C-SymmPIは、グループ対称性を持つ一般的なデータ構造の下で、ほぼ条件付きカバレッジを実現するフレームワークである。 マルチ精度の緩和に着想を得た本手法では,条件付きカバレッジをユーザ指定関数クラス上の誤発見エラーとして再検討する。 計算効率向上のために,高次元観測のための投影型アルゴリズムと,大群あるいは無限群のサンプリング型アルゴリズムの2つの変種を開発した。
  論文  参考訳（メタデータ） (2026-05-18T06:41:20Z)
• Fair Conformal Classification via Learning Representation-Based Groups [18.926790668827937]
  本稿では,分類タスクのための公正な共形推論フレームワークを提案する。 コンパクトで情報的な予測セットを生成する上での有効性と効率のバランスをとることで、我々のアプローチは信頼できる機械学習への実践的な道筋をたどる。
  論文  参考訳（メタデータ） (2026-05-12T14:37:17Z)
• Conformal Prediction Assessment: A Framework for Conditional Coverage Evaluation and Selection [8.778189690708578]
  コンフォーマル予測アセスメント(CPA)は、条件付きカバレッジを教師付き学習タスクとして再編成するフレームワークである。 条件付き妥当性指数(CVI)は信頼性を安全性(発見リスク)と効率(発見コスト)に分解する
  論文  参考訳（メタデータ） (2026-03-28T08:30:17Z)
• 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)
• 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)
• 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)
• Adjusting Regression Models for Conditional Uncertainty Calibration [46.69079637538012]
  本稿では,分割共形予測手法を適用して条件付きカバレッジを改善するために,回帰関数を訓練する新しいアルゴリズムを提案する。 本研究では,条件付きカバレッジと名目付きカバレッジ率の差分を求める上限を確立し,この上限値を制御するためのエンドツーエンドアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-26T01:55:45Z)
• 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)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)

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。