論文の概要: Conformal Risk-Averse Decision Making with Action Conditional Guarantee
- arxiv url: http://arxiv.org/abs/2606.05551v2
- Date: Tue, 09 Jun 2026 20:59:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 14:23:44.320561
- Title: Conformal Risk-Averse Decision Making with Action Conditional Guarantee
- Title（参考訳）: 行動条件保証によるコンフォーマルリスク逆決定
- Authors: Zihan Zhu, Shayan Kiyani, George Pappas, Hamed Hassani,
- Abstract要約: 本稿では, 意思決定者による各行動に明示的に規定された安全保証を与える行動条件整合予測を導入する。
2つの実世界のデータセットに対する実験により、我々のアプローチは共形ベースラインよりも行動条件性能を著しく改善することを確認した。
- 参考スコア（独自算出の注目度）: 29.3207257775871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable decision making pipelines powered by machine learning models require uncertainty quantification (UQ) methods that come with explicit safety guarantees. Conformal prediction provides such UQ by wrapping ML predictions into prediction sets, and recent work by Kiyani et al. (2025b) established that these sets can be translated into optimal risk-averse decision policies -- yet only inheriting marginal safety guarantees. We generalize and strengthen their results by (i) introducing action-conditional conformal prediction, which yields safety guarantees conditioned explicitly on each action taken by the decision maker, (ii) showing that action-conditional prediction sets serve as a proxy for the feasible decision space for risk-averse decision makers aiming to optimize action-conditional value-at-risk, and (iii) proposing a principled finite-sample algorithm based on pinball-loss minimization, connecting the framework of Gibbs et al. (2025) to action-conditional guarantees. Experiments on two real-world datasets confirm that our approach significantly improves action-conditional performance over conformal baselines.
- Abstract（参考訳）: マシンラーニングモデルを利用した信頼性の高い意思決定パイプラインには、明確な安全性を保証する不確実性定量化(UQ)方法が必要である。
コンフォーマル予測はML予測を予測セットにラップすることでそのようなUQを提供し、Kiyani et al (2025b) による最近の研究は、これらのセットが最適なリスク-逆決定ポリシーに変換可能であることを証明した。
我々はそれらの結果を一般化し、強化する。
一 決定者によりなされた各行為に明示的に条件付された安全保証を付与する行動条件適合予測を導入すること。
2 行動条件付き予測セットが、行動条件付き価値リスクの最適化を目的としたリスク回避意思決定者にとって実行可能な意思決定空間の代行となることを示すこと。
三 ピンボールロス最小化に基づく原理的有限サンプルアルゴリズムを提案し、Gibs et al (2025) の枠組みを行動条件保証に接続する。
2つの実世界のデータセットに対する実験により、我々のアプローチは共形ベースラインよりも行動条件性能を著しく改善することを確認した。
関連論文リスト
- LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳（メタデータ） (2025-12-01T11:27:09Z) - When Robustness Meets Conservativeness: Conformalized Uncertainty Calibration for Balanced Decision Making [8.234618636958462]
本稿では,誤発見と後悔の保証を無分布で有限サンプルで提供する新しいフレームワークを提案する。
提案手法は,不規則なフロンティアを追従する有効な推定器を構築する。
これらの結果は、ロバスト性選択を導くための、最初の原則付きデータ駆動手法を提供する。
論文 参考訳（メタデータ） (2025-10-09T03:38:17Z) - 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) - 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) - Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。
理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
論文 参考訳（メタデータ） (2022-06-09T10:39:33Z)
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。