論文の概要: Conformal Prediction for Dyadic Regression Under Complex Missingness

• arxiv url: http://arxiv.org/abs/2606.11136v1
• Date: Tue, 09 Jun 2026 17:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.640481
• Title: Conformal Prediction for Dyadic Regression Under Complex Missingness
• Title（参考訳）: 複雑な欠損下での動的回帰のコンフォーマル予測
• Authors: Robert Lunde, Minjie Yang, Elizaveta Levina, Ji Zhu,
• Abstract要約: 本研究では,複雑な欠落機構の下での動的回帰問題における共形予測の枠組みを開発する。 不足要素に対しては,非グラフトンモデルに基づく非グラフトン重み付きコンフォメーションプロシージャの有効性を検証した。 これは、不足非ランダムな仮定の下での重み付き共形予測に対する条件付き妥当性の最初の公式な証明である。
• 参考スコア（独自算出の注目度）: 2.7512870037345696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We develop a framework for conformal prediction in dyadic regression problems under complex missingness mechanisms. At the theoretical level, we establish super-uniformity of conformal prediction under distributional invariance conditions weaker than exchangeability. A key result handles the case where the sample itself is a random subset of the index set, a setting not covered by existing theory, via a novel bijection argument that constructs an explicit measure-preserving correspondence between events. In addition, we propose conformal prediction procedures for jointly exchangeable arrays, including full conformal, split conformal, a row-column approach exploiting similarities within rows and columns, and a selective conformal procedure achieving mask-conditional validity. For missing elements, we establish asymptotic validity of a graphon-weighted conformal procedure under a nonparametric graphon model for the missingness mechanism. We further establish conditional validity results for both continuous and discrete responses; to the best of our knowledge, this is first formal proof of asymptotic conditional validity for weighted conformal prediction under a missing-not-at-random assumption. The proposed methods are illustrated on synthetic and real network data.
• Abstract（参考訳）: 本研究では,複雑な欠落機構の下での動的回帰問題における共形予測の枠組みを開発する。 理論レベルでは、交換可能性よりも弱い分布不変条件下での共形予測の超均一性を確立する。 主要な結果は、サンプル自体が指数集合のランダムな部分集合であり、既存の理論によってカバーされていない設定である場合を、事象間の明示的な測度保存対応を構成する新しい単射論を通して処理する。 さらに, 完全共形, 分割共形, 行と列の類似性を利用した行列アプローチ, マスク条件の妥当性を実現する選択的共形手順を含む, 共形交換可能な配列の共形予測手順を提案する。 欠損要素に対しては,非パラメトリックグラフトンモデルの下でグラノン重み付きコンフォメーションプロシージャの漸近的妥当性を確立する。 我々はさらに、連続的な応答と離散的な応答の両方に対する条件付き妥当性を定めており、私たちの知る限り、これは欠落した非ランダムな仮定の下で重み付き共形予測に対する漸近的条件付き妥当性の最初の公式な証明である。 提案手法は,合成および実ネットワークデータに基づく。

関連論文リスト

• An Isotropic Approach to Efficient Uncertainty Quantification with Gradient Norms [7.439615448864818]
  本稿では,ニューラルネットワークの予測不確実性を定量化する軽量な手法を提案する。 予測の勾配における不確実性を表現する一階テイラー展開とパラメータ共分散に関する等方性仮定の2つの近似を用いる。 次に,各不確実性型が解答正解の予測に有用であるかどうかを,大言語モデルを用いて検討する。
  論文  参考訳（メタデータ） (2026-03-31T09:13:09Z)
• Multivariate Conformal Prediction via Conformalized Gaussian Scoring [44.99833362998488]
  条件密度 $mathbbP_Y|X$ を推定し、そのレベルセットを共形化する。 出力値が不足した共形集合を構築し、$Y$に関する部分的な情報として共形集合を洗練し、出力空間の変換に関する共形集合を構築する方法を示す。
  論文  参考訳（メタデータ） (2025-07-28T15:55:29Z)
• Conformalized Regression for Continuous Bounded Outcomes [0.0]
  境界付き連続的な結果の回帰問題は、実世界の統計学や機械学習の応用においてしばしば発生する。 既存の統計学および機械学習の文献の多くは、境界値の点予測や近似に基づく区間予測に重点を置いている。 我々は変換モデルとベータ回帰に基づく有界な結果に対する共形予測区間を開発する。
  論文  参考訳（メタデータ） (2025-07-18T15:51:48Z)
• 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)
• 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)
• Semi-Parametric Inference for Doubly Stochastic Spatial Point Processes: An Approximate Penalized Poisson Likelihood Approach [3.085995273374333]
  二重確率点過程は、ランダム強度関数の実現を前提とした不均一過程として空間領域上の事象の発生をモデル化する。 既存の二重確率空間モデルの実装は、計算的に要求され、しばしば理論的な保証が制限され、または制限的な仮定に依存している。
  論文  参考訳（メタデータ） (2023-06-11T19:48:39Z)
• Conformal Prediction with Missing Values [19.18178194789968]
  まず,共形予測の限界カバレッジ保証が,不一致分布のインプットデータに当てはまることを示す。 次に、インプットされたデータに基づいてトレーニングされた普遍的に一貫した量子レグレッションアルゴリズムが、ピンボールリスクに対してベイズ最適であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T09:28:03Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。