論文の概要: Reliable Conformal Prediction for Ordinal Classification Using the Ranked Probability Score

• arxiv url: http://arxiv.org/abs/2606.24959v1
• Date: Tue, 23 Jun 2026 08:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.071046
• Title: Reliable Conformal Prediction for Ordinal Classification Using the Ranked Probability Score
• Title（参考訳）: ランク付き確率スコアを用いた正規分類の信頼性コンフォーマル予測
• Authors: Stefan Haas, Luca Killmaier, Alireza Javanmardi, Eyke Hüllermeier,
• Abstract要約: Conformal Prediction (CP) は、分布のない予測セットで、限界範囲のカバレッジを保証する。 ランク付け確率スコア(RPS)に基づく順序分類のためのCP手法を提案する。 RPSは、構築によって中央中心の連続予測セットを得る。
• 参考スコア（独自算出の注目度）: 26.03725296495402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ordinal classification (OC) arises in high-stakes domains such as medicine and finance, where uncertainty quantification must account for the severity of ordinal errors. Conformal prediction (CP) provides distribution-free prediction sets with marginal coverage guarantees; however, its practical effectiveness depends critically on the choice of nonconformity function. We introduce a CP method for ordinal classification based on the ranked probability score (RPS), a proper scoring rule defined over cumulative predictive distributions. Although it reflects ordinal risk quite naturally, it has largely been neglected in conformal ordinal prediction (COP). When used as a measure of nonconformity, RPS yields median-centered contiguous prediction sets by construction. The method is model-agnostic, supports both assessed and grouped ordered categorical outcomes, and permits efficient implementation compared to greedy interval selection procedures. Across multiple ordinal image and tabular datasets, RPS-based CP produces contiguous prediction sets and strikes a favorable balance between prediction set width and the magnitude of ordinal miscoverage relative to existing CP methods.
• Abstract（参考訳）: 通常の分類(OC)は、医学や金融などの高水準の領域で発生し、不確実な定量化は順序誤差の深刻さを考慮しなければならない。 コンフォーマル予測(CP)は、分布のない予測セットに限界カバレッジを保証するが、その実用性は非整合関数の選択に大きく依存する。 累積予測分布上で定義された適切なスコアリングルールであるランキング確率スコア(RPS)に基づく順序分類のCP法を提案する。 規則的リスクを非常に自然に反映しているが、規則的順序予測(COP)では無視されている。 非整合性の尺度として使われると、RCSは構成によって中央中心の連続予測セットを得る。 この手法はモデルに依存しず、評価された順序付き分類結果とグループ化された順序付き分類結果の両方をサポートし、欲求間隔選択手順と比較して効率的な実装を可能にする。 複数の順序画像と表形式のデータセットを通して、RCSベースのCPは、連続した予測セットを生成し、既存のCP手法と比較して、予測セット幅と順序的誤発見の大きさとの間に好ましいバランスをとる。

関連論文リスト

• Distribution-informed Efficient Conformal Prediction for Full Ranking [22.380815981596403]
  不確実性の定量化は、現実世界のアプリケーションにおけるランキングモデルの安全な配置に不可欠である。 最近の研究は、完全ランク付けシナリオにおける共形予測を用いた厳密なソリューションを提供し、テスト項目の絶対ランクの予測セットを構築することを目的としている。 非整合性スコアの正確な分布を導出して効率的な予測セットを生成する分散インフォームド・コンフォーマルランキング(DCR)を提案する。
  論文  参考訳（メタデータ） (2026-01-30T16:16:44Z)
• 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)
• Provably Minimum-Length Conformal Prediction Sets for Ordinal Classification [17.822517655243427]
  本稿では,モデルに依存しない,インスタンスレベルの最適予測区間を提供する順序-CP法を提案する。 様々な領域からの4つのベンチマークデータセットの実験を行い、予測効率が大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-11-20T23:00:15Z)
• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• 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)
• Posterior Conformal Prediction [11.576645675675096]
  コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。 本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。 社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:09:07Z)
• 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)
• Distribution-free Conformal Prediction for Ordinal Classification [0.0]
  正規分類は、対象変数がクラスラベル間で自然な順序付けを持つ実アプリケーションで一般的である。 連続的および非連続的な予測セットを構築するための新しい共形予測手法を開発した。
  論文  参考訳（メタデータ） (2024-04-25T13:49:59Z)
• Conformal prediction set for time-series [16.38369532102931]
  不確かさの定量化は複雑な機械学習手法の研究に不可欠である。 我々は,時系列の予測セットを構築するために,ERAPS(Ensemble Regularized Adaptive Prediction Set)を開発した。 ERAPSによる有意な限界被覆と条件被覆を示し、競合する手法よりも予測セットが小さい傾向にある。
  論文  参考訳（メタデータ） (2022-06-15T23:48:53Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)

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。