論文の概要: Set-Preserving Calibration from Conformal P-Values to E-Values

• arxiv url: http://arxiv.org/abs/2606.03600v1
• Date: Tue, 02 Jun 2026 13:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.010941
• Title: Set-Preserving Calibration from Conformal P-Values to E-Values
• Title（参考訳）: 整形P値からE値への集合保存校正
• Authors: Nabil Alami, Jad Zakharia, Souhaib Ben Taieb,
• Abstract要約: そこで本研究では, 共形p値によって誘導される予測セットを変更することなく, 共形p値をe値に変換する新しいP2Eキャリブレータを提案する。 このe値の定式化は、e値のマージとランダム化における最近の進歩の原則的利用を可能にする。
• 参考スコア（独自算出の注目度）: 6.673032375204486
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Standard conformal prediction (CP) procedures are typically formulated in terms of p-values, but reliance on p-values alone limits flexibility, for example, when combining dependent evidence across models or data splits. Recent work has explored e-value formulations for conformal inference, yet a direct connection between p- and e-value formulations in CP has been missing, especially regarding their statistical efficiency. We first identify limitations of classical p-to-e calibrators in the CP setting, showing that they are not set-preserving and can lead to overly conservative prediction sets. To address this, we propose a novel P2E calibrator that converts conformal p-values into e-values without altering the prediction set induced by the original conformal p-value. We establish both theoretically and empirically that our calibrator can yield significant efficiency gains over existing p-to-e calibrators. This e-value formulation enables principled use of recent advances in e-value merging and randomization, where we demonstrate its impact in two applications: cross-conformal prediction (CCP), whose variants typically provide only approximate $1-2α$ coverage, and conformal aggregation (CA). In both cases, our e-value-based methods satisfy the desired $1-α$ coverage guarantee while improving efficiency over standard baselines. More broadly, our approach expands the flexibility of CP and opens new directions for efficient, distribution-free uncertainty quantification.
• Abstract（参考訳）: 標準共形予測(CP)法は通常、p値の項で定式化されるが、p値のみに依存すると柔軟性が制限される。 近年の研究では、共形推論のためのe値の定式化が検討されているが、CPにおけるp値とe値の定式化の直接的な関係は、特に統計的効率に関して欠落している。 CP設定における古典的なp-to-eキャリブレータの制限を最初に特定し、それらが集合保存ではなく、過度に保守的な予測セットにつながることを示す。 そこで本研究では,共形p値から電子値への変換を行うP2Eキャリブレータを提案する。 我々は,既存のp-to-Eキャリブレータに比べて,キャリブレータが大幅な効率向上を達成できることを理論的および実証的に証明する。 このe-valueの定式化は、近年のe-value mergingとランダム化の進歩の原則的利用を可能にし、その影響を2つのアプリケーションで示す: クロスコンフォーマル予測(CCP)、変種は一般的に1-2α$のカバレッジしか提供しない、コンフォーマルアグリゲーション(CA)である。 いずれの場合も、我々のe-value-based methodは、標準ベースラインよりも効率を向上しつつ、所望の1-α$カバレッジ保証を満たす。 より広範に、我々のアプローチはCPの柔軟性を拡張し、効率よく分布のない不確実性定量化のための新しい方向を開く。

関連論文リスト

• 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)
• E-Values Expand the Scope of Conformal Prediction [49.1574468325115]
  コンフォーマル予測は、分布のない不確実性定量化のための強力なフレームワークである。 本稿では,共形e-predictionと呼ばれる電子値に基づく代替手法について検討する。 E値は、p値では達成できない重要な利点を提供し、新しい理論的および実用的能力を実現する。
  論文  参考訳（メタデータ） (2025-03-17T10:54:30Z)
• 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)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [1.3812010983144802]
  本研究は,適応整形推論(ACI)の望ましい性質が整形予測器(CP)の使用を必要としないことを示す。 非互換信頼予測器(NCCP)の非交換データに対するACI使用時のCPに対する性能を実証的に検討した。
  論文  参考訳（メタデータ） (2024-09-23T21:02:33Z)

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。