論文の概要: On Optimal Data Splitting for Split Conformal Prediction
- arxiv url: http://arxiv.org/abs/2606.31600v1
- Date: Tue, 30 Jun 2026 12:49:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.217253
- Title: On Optimal Data Splitting for Split Conformal Prediction
- Title（参考訳）: 分割等角予測のための最適データ分割について
- Abstract要約: 分割共形予測における最適なデータ分割のための理論的枠組みを開発する。
一般的な結果が、よく使われる回帰設定にどのように特化しているかを示す。
本分析は,モデルに関連した特徴が,トレーニングとキャリブレーションの間のサンプルの最適割り当てをどのように支配するかを明らかにする。
- 参考スコア（独自算出の注目度）: 0.7205546587515871
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conformal prediction and its variants, including the split conformal prediction, provide a distribution-free framework for uncertainty quantification by constructing prediction intervals or sets with finite-sample coverage guarantees. The statistical efficiency of these intervals depends critically on how the data are split into training and calibration samples. Despite its practical importance, a principled characterization of the training-calibration split that minimizes prediction interval length while maintaining coverage has remained largely unresolved. In this paper, we develop a theoretical framework for optimal data splitting in split conformal prediction. We first analyze the problem in a general setting and derive analytical characterizations of the length-optimal split ratio under both symmetric and asymmetric regimes. We then show how the general results specialize to several commonly used regression settings, including linear regression, nonparametric regression, and neural networks, thereby demonstrating the scope of the framework. We also describe a data-based method for selecting the optimal proportion. Our analysis clarifies how model-related features govern the optimal allocation of samples between training and calibration and provides principled guidance for constructing shorter prediction intervals. Experiments on both synthetic and real-world datasets demonstrate the applicability of the proposed methodology across a variety of practical scenarios.
- Abstract（参考訳）: 等角予測とその変種(分割等角予測を含む)は、予測間隔や有限サンプルカバレッジを保証する集合を構成することによって不確実性定量化のための分布自由フレームワークを提供する。
これらの間隔の統計的効率は、データをトレーニングと校正のサンプルに分割する方法に大きく依存する。
その実用的重要性にもかかわらず、カバー範囲を維持しながら予測間隔を最小化する訓練校正分割の原理的特徴は、ほとんど未解決のままである。
本稿では,分割共形予測における最適なデータ分割に関する理論的枠組みを開発する。
まず、この問題を一般的な設定で解析し、対称型と非対称型の両方の条件下での最適分割比の分析的特徴を導出する。
次に、一般結果が線形回帰、非パラメトリック回帰、ニューラルネットワークなどの一般的な回帰設定にどのように特化しているかを示し、フレームワークのスコープを実証する。
また、最適な比率を選択するためのデータベースの手法についても述べる。
本分析は,モデルに係わる特徴が,トレーニングとキャリブレーションの間のサンプルの最適配置をどのように制御するかを明らかにし,より短い予測間隔を構築するための原則的ガイダンスを提供する。
合成と実世界の両方のデータセットの実験は、提案手法が様々なシナリオで適用可能であることを実証している。
関連論文リスト
- Skew-adaptive conformal prediction [1.0312968200748116]
回帰のための分割共形予測のスキュー適応拡張を開発する。
結果として得られる手順は、交換可能性の下で分割共形予測の有限サンプルの限界有効性を保持する。
また,スキューアダプティブと古典的スケールドスコア間隔の相対的将来の幅を比較するキャリブレーションサンプルに基づく推定器を開発した。
論文 参考訳（メタデータ） (2026-05-15T16:26:41Z) - Multi-Variable Conformal Prediction: Optimizing Prediction Sets without Data Splitting [16.714269073574428]
多変数共形予測(MCP)は,共形予測関数を複数の同時変数で拡張するフレームワークである。
我々は、RemMCPとRelMCPが、目標カバレッジセットサイズよりも小さいか同等の予測セットサイズで、常に目標カバレッジ問題に適合することを実証した。
論文 参考訳（メタデータ） (2026-05-12T16:19:51Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳（メタデータ） (2025-09-29T19:50:19Z) - Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
コンフォーマル予測(CP)は近年,膨大な関心を集めている。
本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。
半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
論文 参考訳（メタデータ） (2025-08-21T12:14:44Z) - Conformalized Regression for Continuous Bounded Outcomes [0.0]
境界付き連続的な結果の回帰問題は、実世界の統計学や機械学習の応用においてしばしば発生する。
既存の統計学および機械学習の文献の多くは、境界値の点予測や近似に基づく区間予測に重点を置いている。
我々は変換モデルとベータ回帰に基づく有界な結果に対する共形予測区間を開発する。
論文 参考訳（メタデータ） (2025-07-18T15:51:48Z) - Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。
本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。
我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
論文 参考訳（メタデータ） (2025-05-21T07:16:44Z) - Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。
本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。
提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
論文 参考訳（メタデータ） (2025-03-24T18:54:22Z) - Relational Conformal Prediction for Correlated Time Series [56.59852921638328]
時系列における不確実性定量化の問題を相関配列を利用して解決する。
共形予測フレームワークと量子レグレッションに基づく分布自由な新しい手法を提案する。
我々の手法は正確なカバレッジを提供し、関連するベンチマークで最先端の不確実性定量化を実現する。
論文 参考訳（メタデータ） (2025-02-13T16:12:17Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
セマンティックセグメンテーションのための自己適応型アプローチを提案する。
整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。
実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
論文 参考訳（メタデータ） (2022-08-10T12:29:01Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳（メタデータ） (2020-05-20T15:01:03Z)
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。