論文の概要: Conformal Prediction Intervals with Tail-Specific Guarantees

• arxiv url: http://arxiv.org/abs/2606.18199v1
• Date: Tue, 16 Jun 2026 17:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.578868
• Title: Conformal Prediction Intervals with Tail-Specific Guarantees
• Title（参考訳）: テール特定保証者による等角的予測間隔
• Authors: Simone Cuonzo, Nina Deliu,
• Abstract要約: まず,下側と上側の一辺共形区間を構築し,その2辺共形区間を交叉により導出する。 提案するフレームワークの利点は金融アプリケーションで示され、左のテールを厳格に制御しながら戻りを目指している。
• 参考スコア（独自算出の注目度）: 0.39082875522676397
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper extends classical conformal frameworks for constructing prediction intervals with global marginal coverage $1-α$ to intervals that provide explicitly calibrated guarantees for the upper and lower tails separately. Focusing on split conformal prediction, we first construct lower and upper one-sided conformal intervals that achieve marginal validity, and then derive the induced two-sided interval by intersection. Theoretical results prove both tail-specific and global marginal coverage of the induced two-sided interval. Results are presented first for the exchangeable setting, where coverage has finite-sample guarantees, and then for non-exchangeable data, where guarantees are asymptotic. Simulation studies show that the proposed approach achieves improved directional calibration relative to classical two-sided intervals, especially relevant in skewed data. Finally, the benefit of the proposed framework is showcased in a financial application, where one aims for return maximization while seeking strict control on the left tail.
• Abstract（参考訳）: 本稿では,大域境界範囲が1-α$の予測区間を構成するための古典的コンフォメーション・フレームワークを,上尾と下尾の明確な校正保証を提供する区間に拡張する。 分割共形予測に焦点をあてて、まず、辺の正当性を達成する下側と上側の一側共形区間を構築し、それから交叉によって誘導される二側共形区間を導出する。 理論的結果は、誘導された2辺間隔の尾特異的および大域的辺縁被覆の両方を証明している。 結果はまず、カバレッジが有限サンプル保証を持つ交換可能な設定と、保証が漸近的な非交換可能なデータに対して提示される。 シミュレーション研究により,提案手法は古典的な2辺間隔に対して,特にスキューデータに関係のある方向キャリブレーションを向上できることが示唆された。 最後に、このフレームワークの利点を金融アプリケーションで示し、左尾の厳格な制御を追求しながら、最大化を返すことを目標としている。

関連論文リスト

• Conformal Bayes under Label Shift: Post-Hoc Calibration vs. In-Training Adaptation [0.6599344783327052]
  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。
  論文  参考訳（メタデータ） (2026-06-10T09:38:48Z)
• Tail allocation for conformal prediction intervals [1.0163716169047106]
  本研究では,報告された予測セットが単一区間でなければならない場合の回帰の分割等式予測について,目標限界範囲が1-$である場合,名目上の誤発見レベルが$$である場合について検討する。 この報告制約の下では、自然条件対象は、等尾区間やおそらく非連結な高確率集合ではなく、条件質量が少なくとも1-$の最も短い区間である。 このシングルインターバルをローテールアロケーションによってパラメータ化し、名目上の誤発見が2つのエンドポイント間でどのように分割されるかを決定する。
  論文  参考訳（メタデータ） (2026-04-28T04:14:27Z)
• Stopping Rules for Stochastic Gradient Descent via Anytime-Valid Confidence Sequences [51.56484100374058]
  凸最適化のための勾配降下(SGD)の停止規則について検討した。 我々は、投影されたSGDの重み付き平均準最適度に対して、任意の有意、データ依存の高信頼シーケンスを開発する。 これらは、厳格でタイムユニフォームなパフォーマンス保証と、有限時間$varepsilon$-optimality証明書である。
  論文  参考訳（メタデータ） (2025-12-15T09:26:45Z)
• 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)
• 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)
• Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation [18.928543069018865]
  等角予測は分布仮定を避ける一つの方法である。 しかし、予測領域をマージすることで、コンフォメーションスコアに存在する構造が犠牲になり、保守性はさらに低下する。 そこで本研究では,新しいフレームワークを分類と予測列最適化の両方で効果的に活用できることを述べる。
  論文  参考訳（メタデータ） (2024-05-25T14:11:01Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)

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。