論文の概要: Accelerating Conformal Prediction via Approximate Leave-One-Out

• arxiv url: http://arxiv.org/abs/2606.31915v1
• Date: Tue, 30 Jun 2026 16:21:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.312561
• Title: Accelerating Conformal Prediction via Approximate Leave-One-Out
• Title（参考訳）: 近似残差による等角予測の高速化
• Abstract要約: 我々は、近似的残差推定器(ALO)を組み込むことで、共形予測を加速し、カバー範囲と効率性を確立する。 本研究では,高次元統計学におけるALOクロスバリデーションリスク推定器の整合性解析法について考察した。 我々は,ALOに基づく手法が,ランタイムを大幅に削減しつつ,正確な手法に匹敵するカバレッジと効率を実現することを示す。
• 参考スコア（独自算出の注目度）: 14.660852843318809
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While conformal prediction provides a general framework for uncertainty quantification in predictive inference, its application is often limited by computational cost. Recent methods, including Jackknife+ and Jackknife-minmax, achieve faster computation by trading a slight loss of efficiency relative to full conformal prediction, but still requires computing leave-one-out refits for all observations. In this paper, we further accelerate conformal prediction by incorporating approximate leave-one-out (ALO) estimators, and establish asymptotic coverage and efficiency. While our proof draws on methods developed for analyzing the consistency of ALO cross-validation risk estimators in high-dimensional statistics, it requires adaptations to handle conformal prediction, where leave-$i$-out residuals are needed for predictions at $x_{n+1}$ rather than just at the training covariate $x_i$. Simulation results validate our theoretical findings, showing that the ALO-based methods achieve coverage and efficiency comparable to the exact methods, while significantly reducing the runtime.
• Abstract（参考訳）: 共形予測は予測的推論における不確実性定量化のための一般的な枠組みを提供するが、その応用は計算コストによって制限されることが多い。 Jackknife+ や Jackknife-minmax などの最近の手法は、完全な共形予測に対して効率をわずかに損なうことによって、より高速な計算を実現するが、それでも全ての観測のためには、計算による一括補正が必要である。 本稿では,ほぼ一様(ALO)推定器を組み込んでコンフォメーション予測をさらに加速し,漸近的カバレッジと効率性を確立する。 高次元統計学において、ALOクロスバリデーションリスク推定器の整合性を分析するために開発された手法を考察するが、この手法は、x_i$のトレーニング共変量だけではなく、x_n+1}$で予測するために、残余の残余が$x_{n+1}$で必要となる等角予測に適応する必要がある。 シミュレーションの結果,ALOに基づく手法が,正確な手法に匹敵するカバレッジと効率を達成し,実行時間を大幅に削減できることが示唆された。

関連論文リスト

• A Risk Decomposition Framework for Pre-Hoc Fine-Tuning Prediction [7.112791813526235]
  微調整 LLM の高コスト化は経済的障壁となり、このコストを著しく削減するためには、プリホック性能予測が重要な解決策となる。 情報制約下での予測問題として定式化し、予測リスクを2つのコンポーネントに分解する。 本稿では,タスクを静的,動的臨界,騒音支配の3つに分類する予測可能性フェーズ図を提案する。
  論文  参考訳（メタデータ） (2026-06-16T08:07:42Z)
• Conformal prediction for full and sparse polynomial chaos expansions [0.5735035463793009]
  多項カオス拡張(PCE)は、代理モデルにおける効率的な計算性能で広く認識されている。 そこで本研究では,完全共形とJackknife+アプローチという2つの共形予測手法を,完全なPCEとスパースPCEの両方に統合する。
  論文  参考訳（メタデータ） (2026-01-23T10:46:46Z)
• Fast Conformal Prediction using Conditional Interquantile Intervals [9.881784717196675]
  本稿では, ほぼ最小の予測区間を構成する共形回帰法であるCIR(Conformal Interquantile Regression)を導入する。 また、周波数間隔の幅に基づく選択規則を組み込んだCIR+を提案する。
  論文  参考訳（メタデータ） (2026-01-06T07:01:08Z)
• 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)
• 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)
• Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [69.1820058966619]
  平均逆無限水平POMDPを未知の遷移モデルで扱う。 この障壁を克服する斬新でシンプルな推定器を提示する。
  論文  参考訳（メタデータ） (2025-01-30T22:29:41Z)
• The Journey Matters: Average Parameter Count over Pre-training Unifies Sparse and Dense Scaling Laws [51.608402959163925]
  本稿では,大規模言語モデルに対する最適スパース事前学習構成の体系的検討を行う。 総トレーニング計算の25%でプルーニングを開始し、75%で終了すると、ほぼ最適の最終評価損失が得られることがわかった。 本稿では,事前学習よりも平均パラメータ数を使用するように,チンチラスケーリング法を修正した新しいスケーリング法を提案する。
  論文  参考訳（メタデータ） (2025-01-21T20:23:22Z)
• Conformal Thresholded Intervals for Efficient Regression [9.559062601251464]
  Conformal Thresholded Intervals (CTI) は、カバー範囲が保証された最小限の予測セットを生成することを目的とした、新しいコンフォメーション回帰手法である。 CTIは、その長さに基づいて推定された条件間間隔をしきい値にすることで予測セットを構築する。 CTIは、様々なデータセットにわたる最先端のコンフォメーション回帰手法よりも優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-07-19T17:47:08Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Amortized Conditional Normalized Maximum Likelihood: Reliable Out of Distribution Uncertainty Estimation [99.92568326314667]
  本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。 提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。 我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
  論文  参考訳（メタデータ） (2020-11-05T08:04:34Z)
• Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
  主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。 スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。 本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-23T04:25:36Z)

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。