論文の概要: Self-Organized Conformal Prediction: Reducing Regional Coverage Gaps with Unsupervised Group Discovery

• arxiv url: http://arxiv.org/abs/2606.29403v1
• Date: Sun, 28 Jun 2026 13:50:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.906001
• Title: Self-Organized Conformal Prediction: Reducing Regional Coverage Gaps with Unsupervised Group Discovery
• Title（参考訳）: 自己組織型コンフォーマル予測:教師なしグループ発見による地域被覆ギャップの低減
• Abstract要約: 等角予測は限界範囲の範囲を保証しているが、不均一領域における校正平均値のプール化は、地域の潜入を隠蔽することができる。 自己組織化マップを用いて入力空間群を検出するキャリブレーション方式であるSOCP(Self-Organized Conformal Prediction)を導入する。 SOCPは、BMUセルの検索に正確な妥当性を与え、近隣バッファに対する固定された検索セットの妥当性を与える。
• 参考スコア（独自算出の注目度）: 7.803879146826816
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction guarantees marginal coverage, but pooled calibration averages over heterogeneous regions and can mask regional undercoverage in safety-critical subgroups. We introduce Self-Organized Conformal Prediction (SOCP), a calibration scheme that discovers input-space groups with a Self-Organizing Map (SOM) and, at test time, draws a local calibration buffer from the query's best-matching unit (BMU) cell or a fixed grid neighborhood. The same retrieval rule applies to regression and classification tasks across tabular features and image embeddings, leaving the predictor and nonconformity score untouched. SOCP gives exact validity for BMU-cell retrieval and fixed retrieved-set validity for neighborhood buffers; central-cell validity for neighborhood retrieval holds up to a Kolmogorov-Smirnov (KS) bias term. A split-routed extension recovers fixed retrieved-set validity conditional on the routing split. On eight regression and classification benchmarks, SO-SCP reduces the weighted regional coverage gap on $7/8$ datasets (mean paired change $-7.1\%$) for a mean prediction-set size increase of $6.2\%$, with negligible overhead on the largest six datasets; SO-CQR yields smaller gains, since quantile regression already absorbs much of the heterogeneity. By learning groups directly from the input geometry, SOCP provides group-local calibration with exact fixed-group guarantees and approximate central-cell guarantees, without supervised partitions or predictor retraining.
• Abstract（参考訳）: コンフォーマル予測は、限界範囲を保証しているが、不均一な地域でのキャリブレーション平均がプール化されており、安全クリティカルなサブグループの地域の潜入を隠蔽することができる。 我々は,SOCP(Self-Organized Conformal Prediction)を導入し,SOM(Self-Organizing Map)を用いて入力空間群を検出し,テスト時にクエリのベストマッチングユニット(BMU)セルや固定グリッド近傍から局所的なキャリブレーションバッファを描画するキャリブレーション手法を提案する。 同様の検索規則は、表の特徴や画像の埋め込みにまたがる回帰や分類のタスクにも適用され、予測値と非整合性スコアは触れられていない。 SOCPはBMUセルの検索に正確な妥当性を与え、近隣バッファの固定された検索セットの妥当性を与えるが、中心セルの検索はコルモゴロフ=スミルノフ(KS)バイアス項に抑えられる。 スプリットロート拡張は、ルーティングスプリットの固定検索セット妥当性条件を回復する。 8つの回帰と分類のベンチマークにおいて、SO-SCPは7/8ドルのデータセットの重み付けされた地域カバレッジギャップを減らし、平均的な予測セットサイズが6.2\%の6つのデータセットに無視できるオーバーヘッドを持つ平均的な予測セットサイズの増加に対して、$-7.1\%$)、量子レグレッションが既に不均一性の多くを吸収しているため、SO-CQRはより小さなゲインを得る。 入力幾何から直接グループを学習することにより、SOCPはグループ局所キャリブレーションを提供し、正確な固定グループ保証とほぼ中央セル保証を提供する。

関連論文リスト

• Curvature-Aware Radius Shrinkage for Adaptive Nearest Neighbor Classification [52.452902154360565]
  CARSANNは、局所的な幾何学的複雑さに応じて各地区の空間的支持を適応する幾何学駆動のフレームワークである。 70以上の実世界のOpenMLデータセットの実験は、CARSANNが標準の$k$-NNで一貫して改善されていることを示している。
  論文  参考訳（メタデータ） (2026-08-27T19:19:07Z)
• Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction [25.59471163637912]
  コンフォーマル予測は、有限サンプルで分布のない辺縁被覆を持つ任意のブラックボックス予測子を与える。 我々は、条件付き妥当性とオラクル効率を協調的に制御する実現された局所集合に対して有限サンプル保証を提供する。 スコアがピボットスコアを目標とする場合、均一な局所保証は固定スコアキャリブレーションと均一なスコア推定誤差に分解される。
  論文  参考訳（メタデータ） (2026-08-06T15:59:57Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Cluster Frequency Conformal Prediction for Local Coverage [7.5841677529906795]
  コンフォーマル予測は、分布のないカバレッジを保証するが、多くのクラス分類では、特定のクラスやサブポピュレーションを過小評価することもある。 本稿では,共形予測を学習表現空間の局所構造に適応させるプラグインフレームワークであるCluster Frequency Conformal Prediction (CFCP)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T05:27:35Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• Efficient Federated Conformal Prediction with Group-Conditional Guarantees [28.340633583577112]
  Conformal Prediction (CP) は、分布のないカバレッジを保証する予測セットを構築するために広く使われているフレームワークである。 本稿では,グループ条件付き共形予測(GC-FCP)を提案する。 合成および実世界のデータセットの実験は、集中キャリブレーションベースラインと比較してGC-FCPの性能を評価する。
  論文  参考訳（メタデータ） (2026-03-15T03:17:14Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Co-optimization for Adaptive Conformal Prediction [9.881784717196675]
  中心$m(x)$と半径$h(x)$を共同最適化することにより予測間隔を学習するフレームワークを提案する。 合成および実ベンチマークの実験は、CoCPが一貫して短い間隔で生成し、最先端の条件付きカバレッジ診断を実現することを示した。
  論文  参考訳（メタデータ） (2026-03-02T10:43:19Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Density-Calibrated Conformal Quantile Regression [2.0485358181172453]
  本稿では,密度キャリブレーション型コンフォーマル量子回帰法(CQR-d)を提案する。 CQR-dは、局所データ密度によって重みが決定される局所的およびグローバルな適合性のスコアの重み付けによるローカル情報を含む。 我々は、CQR-dが1-α-epsilon$で有効な限界カバレッジを提供することを証明している。
  論文  参考訳（メタデータ） (2024-11-29T07:41:20Z)
• Adaptive Uncertainty Quantification for Generative AI [0.0]
  分割コンフォーマルな推論を反映して、整合性のスコアを校正するブラックボックスアルゴリズムのラッパーを設計する。 校正セット上の適合点に頑健な回帰木を嵌合させることにより適応的分割を実現する。 従来のスプリット・コンフォーマルな推論とは異なり、適応的な分割とグループ内キャリブレーションは、局所的に拡張および縮小できる適応バンドをもたらす。
  論文  参考訳（メタデータ） (2024-08-16T19:37:33Z)
• A Unified Framework for Center-based Clustering of Distributed Data [46.86543102499174]
  我々は、ユーザのネットワーク上で動作する分散センターベースのクラスタリングアルゴリズムのファミリーを開発する。 私たちのフレームワークは、$K$-meansやHuber Losといった一般的なクラスタリング損失を含む、スムーズな凸損失関数の幅広いクラスを可能にします。 ブレグマン損失の特別の場合、固定点がロイド点の集合に収束することを示す。
  論文  参考訳（メタデータ） (2024-02-02T10:44:42Z)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)

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。