Fugu-MT 論文翻訳(概要): SPACR: Single-Pass Adaptive Training of Uncertainty-Aware Conformal Regressors

論文の概要: SPACR: Single-Pass Adaptive Training of Uncertainty-Aware Conformal Regressors

arxiv url: http://arxiv.org/abs/2606.10734v1
Date: Tue, 09 Jun 2026 11:45:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-10 15:40:58.470716
Title: SPACR: Single-Pass Adaptive Training of Uncertainty-Aware Conformal Regressors
Title（参考訳）: SPACR: 不確実性を考慮したコンフォーマル回帰器の単一パス適応訓練
Abstract要約: 本研究では,SPACR(Single-Pass Adaptive Conformal Regressor)を提案する。その結果、単一のSPACRモデルが推論中に複数の信頼度レベルで有効な予測間隔を出力し、DOICRのような手法で必要となるコスト再トレーニングを回避することができる。
参考スコア（独自算出の注目度）: 0.6117371161379207
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Conformal Prediction (CP) provides robust uncertainty guarantees for predictive models, but is typically applied post hoc, which misaligns model training with the conformal goal of producing efficient (i.e, narrow) intervals. We propose SPACR (Single-Pass Adaptive Conformal Regressor), a novel method for directly training uncertainty-aware regressors within a differentiable loss. SPACR jointly optimizes efficiency and validity without batch-splitting or a predefined confidence levels during training. As a result, a single SPACR model yields valid prediction intervals at multiple confidence levels during inference, avoiding the costly retraining required by methods like DOICR. Experiments on diverse datasets show that SPACR consistently gives tighter intervals and better coverage-efficiency trade-offs compared to standard CP and DOICR, while significantly reducing computational costs.
Abstract（参考訳）: コンフォーマル予測(CP)は、予測モデルに対して堅牢な不確実性を保証するが、一般的にはポストホック(英語版)に適用される。本研究では,SPACR(Single-Pass Adaptive Conformal Regressor)を提案する。 SPACRは、バッチ分割やトレーニング中に事前に定義された信頼レベルなしで、効率と妥当性を共同で最適化する。その結果、単一のSPACRモデルが推論中に複数の信頼度レベルで有効な予測間隔を出力し、DOICRのような手法で必要となるコスト再トレーニングを回避することができる。多様なデータセットの実験により、SPACRは標準のCPやDOICRに比べて厳密な間隔とカバー効率のトレードオフを一貫して提供し、計算コストを大幅に削減することが示された。

関連論文リスト

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)
Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
マルチモーダル学習は、しばしば低品質データの課題に悩まされる。コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
論文参考訳（メタデータ） (2026-05-05T14:48:52Z)
Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文参考訳（メタデータ） (2026-03-10T04:07:39Z)
In-Context Reinforcement Learning through Bayesian Fusion of Context and Value Prior [53.21550098214227]
テキスト内強化学習は、パラメータを更新せずに、目に見えない環境への高速な適応を約束する。本研究では,ベイズ ICRL 法である SPICE を導入し,その事前値を深層アンサンブルで学習し,テスト時に更新する。本研究は,SPICEが準最適軌道のみに事前訓練した場合でも,帯域幅と有限水平MDPの両方において,後悔と最適動作を達成できることを証明した。
論文参考訳（メタデータ） (2026-01-06T13:41:31Z)
Conformal Prediction for Signal Temporal Logic Inference [13.843989967082031]
信号時間論理(STL)推論は時系列データから人間の解釈可能な規則を抽出しようとする。既存のメソッドには、推論されたルールに対する正式な信頼性保証がない。 STL推論のためのエンドツーエンドの差別化可能なCPフレームワークを導入し、信頼性と解釈性の両方を向上させる。
論文参考訳（メタデータ） (2025-09-29T20:25:02Z)
ConCISE: Confidence-guided Compression in Step-by-step Efficient Reasoning [64.93140713419561]
大型推論モデル (LRM) は、Chain-of-Thought (CoT) による複雑な推論タスクで強く機能するが、しばしば冗長な出力に悩まされる。既存の微調整ベースの圧縮手法は、ポストホックプルーニングを動作させるか、コヒーレンスを推論する破壊を危険にさらすか、サンプリングベースの選択に依存するかのいずれかである。 ConCISEは、簡潔な推論連鎖を生成するために設計されたフレームワークであり、信頼注入を統合して推論の信頼性を高める。
論文参考訳（メタデータ） (2025-05-08T01:40:40Z)
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 Risk Minimization with Variance Reduction [37.74931189657469]
コンフォーマル予測(CP)は、ブラックボックスモデルにおける確率的保証を達成するための分布自由フレームワークである。最近の研究は、トレーニング中のCP効率の最適化に重点を置いている。我々は、この概念を共形リスク最小化の問題として定式化する。
論文参考訳（メタデータ） (2024-11-03T21:48:15Z)
Conformal Thresholded Intervals for Efficient Regression [9.559062601251464]
Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。 CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。 CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
論文参考訳（メタデータ） (2024-07-19T17:47:08Z)
Prior Constraints-based Reward Model Training for Aligning Large Language Models [58.33118716810208]
本稿では,この問題を解決するために,事前制約に基づくリワードモデル(PCRM)のトレーニング手法を提案する。 PCRMは、前回の制約、特に各比較ペアの出力間の長さ比とコサイン類似性を、最適化の規模を調節しスコアマージンを制御するための報酬モデルトレーニングに組み入れている。実験結果から,PCRMは報酬スコアのスケーリングを効果的に抑制することによりアライメント性能を著しく向上することが示された。
論文参考訳（メタデータ） (2024-04-01T07:49:11Z)
Learning Optimal Conformal Classifiers [32.68483191509137]
コンフォーマル予測(CP)は、真のクラスを含む信頼セットをユーザが特定した確率で予測するために用いられる。本稿では, CP を用いた学習において, コンフォーマルラッパーをエンド・ツー・エンドとしたトレーニングモデルを用いて, CP による差別化戦略について検討する。コンフォメーショントレーニング(ConfTr)は、平均信頼度セットのサイズを小さくすることで、最先端のCP手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-10-18T11:25:33Z)
BERT Loses Patience: Fast and Robust Inference with Early Exit [91.26199404912019]
本稿では,事前学習した言語モデルの効率性と堅牢性を向上させるためのプラグイン・アンド・プレイ手法として,Patience-based Early Exitを提案する。提案手法では,モデルを少ないレイヤで予測できるため,推論効率が向上する。
論文参考訳（メタデータ） (2020-06-07T13:38:32Z)

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。