論文の概要: Audited Conformal Prediction for Classification under Unknown Distribution Shift
- arxiv url: http://arxiv.org/abs/2606.14909v1
- Date: Fri, 12 Jun 2026 19:28:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:32.452344
- Title: Audited Conformal Prediction for Classification under Unknown Distribution Shift
- Title（参考訳）: 未知分布シフト下の分類のための聴取等角予測
- Authors: Yanfei Zhou, Rizal Fathony, Nam H. Nguyen, Matteo Sesia,
- Abstract要約: 本稿では,レガシーモデルが失敗する可能性のある入力を識別する補助監査モデルを訓練するために,監査コンフォーマル予測を提案する。
ACPは、既存のアプローチよりもかなり高い条件付きカバレッジを達成しつつ、限界カバレッジを保証する予測セットを生成する。
- 参考スコア（独自算出の注目度）: 18.25994880093428
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of uncertainty quantification for a pretrained classification model deployed under unknown distribution shift. We propose Audited Conformal Prediction (ACP), a method that leverages a small labeled dataset from the target population to train an auxiliary audit model identifying inputs where the legacy model is likely to fail. By integrating the audit model's outputs into the conformal prediction framework, ACP produces prediction sets that guarantee marginal coverage while achieving substantially higher conditional coverage in practice than existing approaches. We develop and analyze two complementary integration strategies -- one targeting marginal coverage with improved conditional performance, the other providing explicit group-conditional coverage guarantees -- and establish theoretical guarantees for both. Experiments on synthetic and real-world datasets validate the method and illustrate trade-offs between prediction set size and conditional coverage.
- Abstract（参考訳）: 本研究では,未知分布シフトの下で展開された事前学習型分類モデルの不確実性定量化の問題を考察する。
本稿では,対象集団からのラベル付きデータセットを利用して,レガシーモデルが失敗する可能性のある入力を識別する補助監査モデルを訓練するAudited Conformal Prediction (ACP)を提案する。
監査モデルの出力をコンフォーマルな予測フレームワークに統合することにより、ACPは、既存のアプローチよりもかなり高い条件付きカバレッジを実現しつつ、限界範囲のカバレッジを保証する予測セットを生成する。
我々は,2つの補完的な統合戦略を開発し,その1つは条件付き性能の向上による限界カバレッジを目標とし,もう1つは明示的なグループ-条件付きカバレッジ保証を提供することを目標とし,両者の理論的保証を確立する。
合成および実世界のデータセットの実験は、この手法を検証し、予測セットのサイズと条件付きカバレッジの間のトレードオフを説明する。
関連論文リスト
- 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) - Reliable Statistical Guarantees for Conformal Predictors with Small Datasets [3.062618143970653]
サーロゲートモデルは、科学と工学において、任意の複雑な入出力問題を近似することができる。
データに依存しない不確実性定量化のための標準的なアプローチは、共形予測(CP)を用いることである。
本稿では,1つの共形予測器のカバレッジに対して確率的情報を提供する新しい統計保証を提案する。
論文 参考訳（メタデータ） (2025-12-04T08:29:17Z) - 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) - 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) - 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) - Robust Conformal Prediction Using Privileged Information [17.886554223172517]
本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。
我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
論文 参考訳（メタデータ） (2024-06-08T08:56:47Z) - Approximate Conditional Coverage via Neural Model Approximations [0.030458514384586396]
実験的に信頼性の高い近似条件付きカバレッジを得るためのデータ駆動手法を解析する。
我々は、限界範囲のカバレッジ保証を持つ分割型代替案で、実質的な(そして、そうでない)アンダーカバーの可能性を実証する。
論文 参考訳（メタデータ） (2022-05-28T02:59:05Z)
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。