論文の概要: DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal Prediction

• arxiv url: http://arxiv.org/abs/2606.00690v1
• Date: Sat, 30 May 2026 11:57:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 00:57:58.916992
• Title: DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal Prediction
• Title（参考訳）: DistMatch:ロバストな逐次等角予測のための分布マッチングによる適応結合
• Abstract要約: DistMatchは、KS(Kolmogorov-Smirnov)統計を用いて、バイナリツリー内で残余を分割するバイナリベースの方法である。 この分断によって葉がほぼ交換可能となり,再重み付けの必要がなくなることを示す。
• 参考スコア（独自算出の注目度）: 23.741565251166488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential conformal prediction (CP) provides valid uncertainty quantification under the assumption of residual exchangeability. However, this assumption is often violated in real-world time series due to temporal dependencies and distributional shifts. While recent methods attempt to approximate exchangeability through reweighting, identifying optimal weights remains an open challenge. To address this limitation, we propose DistMatch, a binning-based method that recursively partitions residuals within a binary tree using the Kolmogorov-Smirnov (KS) statistic. We theoretically show that this partitioning induces approximately exchangeable leaves, thereby avoiding the need for reweighting. By applying quantile regression with online updates within each leaf, DistMatch enables locally adaptive inference and improves robustness to distributional shifts. Extensive experiments demonstrate that DistMatch outperforms existing sequential CP methods.
• Abstract（参考訳）: 逐次共形予測(CP)は、残留交換可能性の仮定の下で有効な不確実性定量化を提供する。 しかし、この仮定は時間的依存関係と分布シフトのために実世界の時系列でしばしば破られる。 最近の手法は再重み付けによる交換可能性の近似を試みるが、最適な重みの同定は未解決の課題である。 この制限に対処するため、我々は、KS統計を用いたバイナリツリー内で残余を再帰的に分割するビンニングベースのDistMatchを提案する。 理論的には、この分割は、ほぼ交換可能な葉を誘導するので、再重み付けは不要である。 各葉のオンライン更新に量子レグレッションを適用することで、DistMatchは局所的な適応推論を可能にし、分散シフトに対する堅牢性を向上させる。 大規模な実験により、DistMatchは既存の逐次CP法より優れていることが示された。

関連論文リスト

• Stabilizing Extrapolation in Looped Transformers via Learned Stochastic Stopping [56.14767235650558]
  共有トランスブロックを繰り返し適用するLooped Transformerは、可変長の計算タスクに自然に適合するアーキテクチャである。 この差分を、列長とループ数の間の単純なアルゴリズムタスクにおける突発的相関に追従する。 私たちの研究は、"停止する時"は単なる推論時間割当ルールではなく、トレーニング設計の選択として扱われるべきであることを示唆しています。
  論文  参考訳（メタデータ） (2026-06-29T08:58:09Z)
• RareCP: Regime-Aware Retrieval for Efficient Conformal Prediction [11.259098206661077]
  本稿では適応型コンフォーマル時系列予測のためのレギュレーション対応検索手法であるRareCPを紹介する。 RareCPはコサイン・アテンションの専門家の混合を通して局所的なキャリブレーション表現を学習する。 符号付き残基上に重み付き共形量子が形成され、非対称な予測間隔が生じる。
  論文  参考訳（メタデータ） (2026-05-09T10:12:07Z)
• Learning from Emptiness: De-biasing Listwise Rerankers with Content-Agnostic Probability Calibration [76.08899010904652]
  CapCalは、ランキング決定から位置バイアスを機械的に分離する、トレーニング不要のフレームワークである。 シングルパス効率を保ちながら、トレーニング不要の手法で優れた性能を発揮する。
  論文  参考訳（メタデータ） (2026-04-11T10:47:22Z)
• Adaptive Benign Overfitting (ABO): Overparameterized RLS for Online Learning in Non-stationary Time-series [0.0]
  ABOは非常に正確で(ベースラインのカーネルメソッドと比較して)、20～40%のスピード改善を実現している。 結果は、安定したオンライン学習フレームワーク内で適応フィルタリング、カーネル近似、良性過剰適合をリンクする統一ビューを提供する。
  論文  参考訳（メタデータ） (2026-01-29T15:58:01Z)
• ResCP: Reservoir Conformal Prediction for Time Series Forecasting [39.81023599249223]
  コンフォーマル予測は、交換可能なデータに対して、分散のない予測間隔を構築するための強力なフレームワークを提供する。 本稿では,Reservoir Conformal Prediction (ResCP)を提案する。
  論文  参考訳（メタデータ） (2025-10-06T17:37:44Z)
• WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts [4.192712667327956]
  本稿では,変分オートエンコーダ(VAE)から得られた復元損失を,スコア関数をスケールする不確実性指標として紹介する。 重み付き交換可能性の概念を取り入れてRL SCPを改良した量子損失スケールコンフォーマル予測(WQLCP)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:00:15Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Estimation and Applications of Quantiles in Deep Binary Classification [0.0]
  チェック損失に基づく量子回帰は統計学において広く使われている推論パラダイムである。 二項分類設定におけるチェック損失の類似について考察する。 我々は、予測が信頼できるかどうかを判断するために使用できる個別信頼度スコアを開発する。
  論文  参考訳（メタデータ） (2021-02-09T07:07:42Z)
• 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)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• Batch Stationary Distribution Estimation [98.18201132095066]
  サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。 与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2020-03-02T09:10:01Z)
• An Equivalence between Bayesian Priors and Penalties in Variational Inference [8.45602005745865]
  機械学習では、パラメータのいくつかの値をペナライズするアドホック正規化項によって変調される確率モデルのパラメータを最適化することが一般的である。 我々は、この手順に従って発生する正則化器を完全に特徴付け、与えられたペナルティに対応する事前を計算する体系的な方法を提供する。
  論文  参考訳（メタデータ） (2020-02-01T09:48:51Z)

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。