論文の概要: Multi-Agent Conformal Prediction with Personalized Statistical Validity

• arxiv url: http://arxiv.org/abs/2606.00717v1
• Date: Sat, 30 May 2026 13:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.672588
• Title: Multi-Agent Conformal Prediction with Personalized Statistical Validity
• Title（参考訳）: 個人化統計的妥当性を考慮したマルチエージェントコンフォーマル予測
• Abstract要約: コンフォーマル予測は、限定的なローカルキャリブレーションデータ、プライバシ制約、データの異質性といった課題に直面している。 本稿では、局所密度比重み付けと重み付けされた量子化集約を組み合わせ、プライバシーを保ちながら不均一性を補正するフレームワークであるパーソナライズされた共形予測(PFWCP)を提案する。 PFWCPは、各参加エージェントに対して有効な境界条件と校正条件のカバレッジ保証を与え、ワンショット通信によるプロトコルをサポートする。
• 参考スコア（独自算出の注目度）: 33.73739436774371
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Uncertainty quantification is essential in high-stakes machine learning tasks. However, one of the principled solutions, conformal prediction, faces challenges under limited local calibration data, privacy constraints, and data heterogeneity. In multi-agent settings, existing works do not simultaneously and satisfactorily address these challenges with guarantees either limited to averages across agents or losing validity in heterogeneous settings. Hence, we propose personalized federated weighted conformal prediction (PFWCP), a framework that combines local density ratio weighting with weighted quantile aggregation to correct for heterogeneity while preserving privacy. The method yields asymptotically valid marginal and calibration-conditional coverage guarantees for each participating agent and supports protocols with one-shot communication. Theoretical analysis presents an adjustment to the coverage variance, governed by an effective sample size expression, which is necessary in the context of weighted conformal prediction, and experiments on synthetic and real datasets show improved calibration quality over state-of-the-art federated conformal baselines.
• Abstract（参考訳）: 高精度な機械学習タスクには不確実性定量化が不可欠である。 しかし、その原則の1つである共形予測は、限定的なローカルキャリブレーションデータ、プライバシ制約、データ不均一性の下の課題に直面している。 マルチエージェント設定では、既存の作業は、エージェント間の平均に制限された保証や、不均一な設定における妥当性の喪失によって、これらの課題に同時に、満足して対処することができない。 そこで本稿では, 局所密度比重み付けと重み付き量子化アグリゲーションを組み合わせて, プライバシーを保ちながら不均一性を補正するフレームワークであるPFWCPを提案する。 この方法は、各参加エージェントに対して漸近的に有効な境界条件と校正条件のカバレッジ保証を与え、ワンショット通信によるプロトコルをサポートする。 理論解析では, 重み付き共形予測の文脈で必要となる有効サンプルサイズ式によって制御される範囲の分散を調整し, 合成および実データを用いた実験により, 最先端の共形共形ベースラインよりもキャリブレーション品質が向上した。

関連論文リスト

• Online Conformal Prediction: Enforcing monotonicity via Online Optimization [23.99156538891498]
  そこで本稿では, 範囲の範囲にまたがって, エンハンス付き予測セットを出力する2つの新しいオンライン共形予測手法を提案する。 提案手法は,予測セットのネストネスを強制しながら,量子推定誤差制御に変換される小さな後悔を伴うオンライン最適化の視点を活用する。
  論文  参考訳（メタデータ） (2026-05-12T19:18:43Z)
• Reliable Statistical Guarantees for Conformal Predictors with Small Datasets [3.062618143970653]
  サーロゲートモデルは、科学と工学において、任意の複雑な入出力問題を近似することができる。 データに依存しない不確実性定量化のための標準的なアプローチは、共形予測(CP)を用いることである。 本稿では,1つの共形予測器のカバレッジに対して確率的情報を提供する新しい統計保証を提案する。
  論文  参考訳（メタデータ） (2025-12-04T08:29:17Z)
• 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)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• 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)
• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
  実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。 我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
  論文  参考訳（メタデータ） (2022-05-28T02:59:05Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。