論文の概要: Anytime-Valid Confirmation of Label-Shift Corrections

• arxiv url: http://arxiv.org/abs/2606.14028v1
• Date: Fri, 12 Jun 2026 02:03:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.708062
• Title: Anytime-Valid Confirmation of Label-Shift Corrections
• Title（参考訳）: ラベルシフト補正の随時検証
• Abstract要約: 小規模の科学的展開では、ラベル付けされた目標結果が、信頼できるシフト推定には不足している可能性がある。 本研究では,ラベルシフト補正予測とソース予測との観測確率比が条件付きe値であることを示す。
• 参考スコア（独自算出の注目度）: 0.6599344783327052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In small-batch scientific deployments, labeled target outcomes may be too scarce for reliable shift estimation even when unlabeled target inputs are available. We address the complementary setting where the practitioner has a pre-specified label-shift correction from domain knowledge and asks whether incoming labeled outcomes support it. We show that the per-observation likelihood ratio between a label-shift-corrected predictive and the source predictive is a conditional e-value, so its running product is a nonnegative martingale and Ville's inequality yields an anytime-valid confirmation rule. The log martingale equals the cumulative negative log-predictive density (NLPD) gap between the source and the corrected predictive, converting routine model monitoring into a formal sequential test. Rejection means the incoming data support the posited correction relative to the source predictive, but it is not a precise estimate of the degree of shift. Closed forms are available for GP sources with Gaussian label-shift ratios. GP regression simulations validate Type I control, finite-sample power, miscalibration sensitivity, and the small-batch advantage of a reliable prior over label-based re-estimation.
• Abstract（参考訳）: 小規模の科学的展開では、ラベル付けされた目標結果が、ラベル付けされていないターゲット入力が利用可能であっても、信頼できるシフト推定には不十分である可能性がある。 実践者が事前に特定されたラベルシフト修正をドメイン知識から行い、ラベル付き検索結果がそれをサポートするかどうかを問う補完的な設定に対処する。 ラベルシフト補正された予測値とソース予測値との可観測度比が条件付きe値であることを示し、その実行積は非負のマーチンゲールであり、Villeの不等式は任意の値の確認ルールを生成する。 ログマーチンゲールは、ソースと修正予測との累積負の対数予測密度(NLPD)ギャップを等しくし、ルーチンモデル監視を形式的なシーケンシャルテストに変換する。 退避とは、入力データがソース予測に対する仮定補正をサポートすることを意味するが、シフトの度合いを正確に見積もるものではない。 閉形式はガウスラベルシフト比を持つGPソースで利用可能である。 GP回帰シミュレーションはタイプI制御、有限サンプルパワー、誤校正感度、ラベルに基づく再推定よりも信頼性の高い事前推定の小型バッチの利点を検証した。

関連論文リスト

• Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores [2.2400646874013037]
  ラベルシフトの下では、標準のコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 後続の予測単位から導かれる非整合性スコアであるemphLabel-Shift-Adjusted Bayesian Score (LSAスコア)を提案する。 LSAスコアは、残留基およびソース基のベイズスコアよりも短い間隔で出力する。
  論文  参考訳（メタデータ） (2026-09-11T03:06:31Z)
• Anytime-Valid Confirmation of Covariate Balance for Prespecified Corrections [0.6599344783327052]
  逐次的未ラベルのターゲット入力から予め特定された修正の正当性を確認する。 実験では、偽確認制御、バランス機能クラスへの局所性、KLドリフト診断、許容領域モニタリング、有限ソース効果が示されている。
  論文  参考訳（メタデータ） (2026-07-25T11:21:17Z)
• Prediction-Powered Conditional Inference [15.801272841475681]
  本研究では,ラベル付きデータが少ない環境での予測型条件推論について検討する。 提案手法は,局所化と予測に基づく分散化を併用する。 シミュレーションおよび実データセットに関する数値実験は、有効な条件付きカバレッジを示す。
  論文  参考訳（メタデータ） (2026-03-05T17:13:06Z)
• 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)
• Non-exchangeable Conformal Prediction with Optimal Transport: Tackling Distribution Shifts with Unlabeled Data [13.788274786492286]
  コンフォーマル予測は、分散のない不確実性定量化手法であり、機械学習コミュニティで人気を博している。 最も一般的な変種であるスプリット共形予測は、モデルがまだ見ていないキャリブレーションデータに基づくモデル予測の統計を収集するため、計算的に効率的である。 対象範囲の損失を推定し,任意の分布シフトを緩和し,原理的かつ広く適用可能なソリューションを提供することが可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-14T16:10:55Z)
• 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)
• Predicting generalization performance with correctness discriminators [56.948321040125734]
  未確認データに対して,金のラベルを必要とせず,精度の上下境界を確立する新しいモデルを提案する。 予測された上境界と下限の間に金の精度が確実に成立する様々なタグ付け、構文解析、意味解析タスクを示す。
  論文  参考訳（メタデータ） (2023-11-15T22:43:42Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)
• Tail-to-Tail Non-Autoregressive Sequence Prediction for Chinese Grammatical Error Correction [49.25830718574892]
  本稿では,Tail-to-Tail (textbfTtT) という新しいフレームワークを提案する。 ほとんどのトークンが正しいので、ソースからターゲットに直接転送でき、エラー位置を推定して修正することができる。 標準データセット、特に可変長データセットに関する実験結果は、文レベルの精度、精度、リコール、F1-Measureの観点からTtTの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-03T05:56:57Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。