論文の概要: Conformal Bayes under Label Shift: Post-Hoc Calibration vs. In-Training Adaptation
- arxiv url: http://arxiv.org/abs/2606.11865v1
- Date: Wed, 10 Jun 2026 09:38:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-11 16:42:38.395429
- Title: Conformal Bayes under Label Shift: Post-Hoc Calibration vs. In-Training Adaptation
- Title（参考訳）: ラベルシフトによるコンフォーマルベイズ:ポストホック校正とイントレーニング適応
- Abstract要約: 我々はラベルシフトの下で共形ベイズを統一的な視点から研究する。
名目的対象領域のカバレッジを復元する2つの補完的アプローチを同定する。
トレーニング中の適応はデバイアス演算子として機能し、一定範囲で間隔幅を小さくする。
- 参考スコア（独自算出の注目度）: 0.6599344783327052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conformal Bayes combines Bayesian posterior predictives with conformal calibration to produce prediction sets that are both statistically valid and geometrically efficient. We study conformal Bayes under label shift from a unified perspective, identifying two complementary approaches that restore nominal target-domain coverage through importance-weighted conformal calibration but operate through independent mechanisms. \emph{Post-hoc calibration} tilts the posterior predictive toward the target domain and corrects the conformal threshold via an importance-weighted quantile, leaving the parameter posterior unchanged. \emph{In-training adaptation} tilts the parameter posterior itself to the target domain, producing a corrected predictive whose highest predictive density region serves as the highest predictive density (HPD) based prediction set under the fitted target predictive; efficiency is model-dependent and does not imply finite-sample conditional optimality. Two controlled experiments show that in an unbiased training regime both strategies achieve valid coverage equally, while in a lead-optimization regime in-training adaptation acts as a debiasing operator, reducing interval width at unchanged coverage.
- Abstract（参考訳）: コンフォーマルベイズ(英語版)は、統計的に有効かつ幾何学的に効率的である予測セットを生成するために、ベイズの後続予測と共形キャリブレーションを組み合わせる。
ラベルシフトによるコンフォメーションベイズを統一的な視点から検討し、重要度重み付けされたコンフォメーションキャリブレーションによって名目対象領域の範囲を復元する2つの補完的アプローチを同定した。
\emph{Post-hoc calibration} は、後方予測をターゲット領域に傾けて、重み付けされた量子化によって整列しきい値を修正する。
\emph{In-training adaptation} は、パラメータの後方を目標領域に傾けることで、最も高い予測密度領域が、適合したターゲット予測の下で最も高い予測密度(HPD)ベースの予測セットとして機能し、効率はモデル依存であり、有限サンプル条件の最適性を暗示しない補正予測を生成する。
2つの制御された実験により、両戦略が等価なカバレッジを達成する一方、リード最適化方式のトレーニング適応はデバイアス演算子として機能し、変化しないカバレッジにおける間隔幅を減少させる。
関連論文リスト
- Isotonic Conformal Prediction [1.0499611180329804]
信頼性のある不確実性定量化の目的として,自己校正と予測条件妥当性の2つを考察する。
自己キャリブレーション・コンフォーマル予測は、両方の目的を有限サンプルで正確に達成するが、全ての候補結果に対してキャリブレータを調整する必要がある。
予測セットの構成からキャリブレーションを分離するフレームワークである等速等角予測(ICP)を提案する。
論文 参考訳（メタデータ） (2026-07-18T07:11:05Z) - Set-Preserving Calibration from Conformal P-Values to E-Values [6.673032375204486]
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。
論文 参考訳（メタデータ） (2026-06-02T13:06:01Z) - Skew-adaptive conformal prediction [1.0312968200748116]
回帰のための分割共形予測のスキュー適応拡張を開発する。
結果として得られる手順は、交換可能性の下で分割共形予測の有限サンプルの限界有効性を保持する。
また,スキューアダプティブと古典的スケールドスコア間隔の相対的将来の幅を比較するキャリブレーションサンプルに基づく推定器を開発した。
論文 参考訳（メタデータ） (2026-05-15T16:26:41Z) - Multi-Variable Conformal Prediction: Optimizing Prediction Sets without Data Splitting [16.714269073574428]
多変数共形予測(MCP)は,共形予測関数を複数の同時変数で拡張するフレームワークである。
我々は、RemMCPとRelMCPが、目標カバレッジセットサイズよりも小さいか同等の予測セットサイズで、常に目標カバレッジ問題に適合することを実証した。
論文 参考訳（メタデータ） (2026-05-12T16:19:51Z) - Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。
この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。
ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-02-16T16:48:39Z) - UAT-LITE: Inference-Time Uncertainty-Aware Attention for Pretrained Transformers [11.741258610945259]
UAT-LITEは、自己アテンションの不確実性を認識させる推論時フレームワークである。
これは、細調整されたBERTベースラインと比較して平均で予測エラーを約20%削減する。
分散シフトの下で選択的な予測とロバスト性を改善する。
論文 参考訳（メタデータ） (2026-02-03T00:51:26Z) - Distribution-informed Online Conformal Prediction [53.674678995825666]
更新ルールに基礎となるデータパターンを組み込んだオンラインコンフォメーション予測アルゴリズムである Conformal Optimistic Prediction (COP) を提案する。
COPは予測可能なパターンが存在する場合により厳密な予測セットを生成し、見積もりが不正確な場合でも有効なカバレッジ保証を保持する。
我々は,COPが有効なカバレッジを実現し,他のベースラインよりも短い予測間隔を構築できることを証明した。
論文 参考訳（メタデータ） (2025-12-08T17:51:49Z) - 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 Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。
本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-17T12:01:56Z) - 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) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - Sample-Efficient Optimisation with Probabilistic Transformer Surrogates [66.98962321504085]
本稿では,ベイズ最適化における最先端確率変換器の適用可能性について検討する。
トレーニング手順と損失定義から生じる2つの欠点を観察し、ブラックボックス最適化のプロキシとして直接デプロイすることを妨げる。
1)非一様分散点を前処理するBO調整トレーニング,2)予測性能を向上させるために最適な定常点をフィルタする新しい近似後正則整定器トレードオフ精度と入力感度を導入する。
論文 参考訳（メタデータ） (2022-05-27T11:13:17Z)
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。