論文の概要: Who Wins Where? Conformal Model Comparison for Local Superiority

• arxiv url: http://arxiv.org/abs/2607.29053v1
• Date: Fri, 31 Jul 2026 06:10:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.632504
• Title: Who Wins Where? Conformal Model Comparison for Local Superiority
• Title（参考訳）: どちらが勝つのか : 局所的優越性のためのコンフォーマルモデルの比較
• Abstract要約: 本稿では,局所的最適モデルマップを校正するための分割サンプルフレームワークである共形局所モデル比較を紹介する。 2つの2乗損失の違いのようなモデル比較スコアが与えられた場合、この方法は3つの解離分割を使って競合するモデルに適合する。 対象の時点では、一方の共形境界がネクタイを除外した場合のみ、そのスコアの符号が有利なモデルを決定する場合にのみ、局所的な勝者を宣言する。
• 参考スコア（独自算出の注目度）: 5.031954266647067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Standard model comparison is global, aggregating losses across the covariate space to declare a single winner. This can obscure heterogeneous performance, where different models are preferable in different regions. We introduce conformalized local model comparison, a split-sample framework for constructing calibrated local best-model maps. Given a model comparison score, such as the difference between two squared losses, the method uses three disjoint splits to fit competing models, estimate local centers and scales from out-of-sample scores, and conformally calibrate residual uncertainty. At a target point, the procedure declares a local winner only when a one-sided conformal bound excludes a tie, with the score's sign determining the favored model. We prove finite-sample marginal control for one-sided erroneous declarations on the realized future comparison score, establish pointwise consistency of the localized mean-score estimator away from tie boundaries, show that aggregate comparison can disagree sharply with the prevalence of local superiority, and derive a squared-loss bias--variance decomposition that clarifies how model structure affects local wins. Synthetic and real-data experiments show that the method recovers heterogeneous winner regions, abstains under uncertainty, and yields higher conditional gain than global selection.
• Abstract（参考訳）: 標準モデルの比較はグローバルであり、単一の勝者を宣言するために共変量空間全体で損失を集約する。 これは、異なるモデルが異なる領域で好まれる不均一なパフォーマンスである。 本稿では,局所的最適モデルマップを校正するための分割サンプルフレームワークである共形局所モデル比較を紹介する。 2つの2乗損失の違いのようなモデル比較スコアが与えられた場合、この方法は3つの解離分割を用いて競合するモデルに適合し、局所的な中心とスケールをサンプル外スコアから推定し、整合的に不確実性を校正する。 対象の時点では、一方の共形境界がネクタイを除外した場合のみ、そのスコアの符号が有利なモデルを決定する場合にのみ、局所的な勝者を宣言する。 提案手法は, 実効先比較スコアに対して, 片側誤り宣言に対する有限サンプル差分制御を証明し, 局所平均スコア推定器の点方向の整合性を確立し, 集合比較が局所的優越性の出現率と鋭く一致することを示し, モデル構造が局所的利得に与える影響を明らかにする正方形の偏差-分散分解を導出する。 合成および実データ実験により、この手法は不均一な勝者領域を回復し、不確実性の下で吸収し、大域的な選択よりも高い条件付きゲインを得ることを示した。

関連論文リスト

• Generalized Score Matching for Parameter Estimation on Convex Domains [13.954816561132942]
  一般化されたスコアマッチングの目的を$mathbbRd$の凸部分集合上で導出する。 非負のデータに対する古典的なスコアマッチングとドメイン適応型の変種が、提案フレームワーク内で自然に発生することを示す。 我々の導出は、様々な問題設定における一般化されたスコアマッチングのスコープと適用性に新たな光を当てる。
  論文  参考訳（メタデータ） (2026-09-10T13:23:41Z)
• When Do Local Score Models Extrapolate Across Size? A Diagnostic Theory and Benchmark [0.0]
  アーキテクチャの局所性だけでは、安定したサイズ外挿が保証されないことを示す。 我々はこの機構を定式化し、局所限界に対する大きさと一様の比較定理を証明した。 実験により,空間混合,平滑なスコア準局所性,およびモデル受容場間の相互作用を検証する。
  論文  参考訳（メタデータ） (2026-06-08T16:24:31Z)
• VAE-Inf: A statistically interpretable generative paradigm for imbalanced classification [8.677199689027772]
  生成的モデリングと識別的分類のギャップを埋める2段階の枠組みを提案する。 推論のために、自然な仮説テストの解釈を受け入れるプロジェクションベースのスコアを導入する。 様々な実世界のベンチマークの実験は、我々のフレームワークが他のアプローチと競合する性能を達成していることを示している。
  論文  参考訳（メタデータ） (2026-04-28T07:50:56Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
  本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。 モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
  論文  参考訳（メタデータ） (2023-05-23T09:46:54Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• MD-split+: Practical Local Conformal Inference in High Dimensions [0.5439020425819]
  MD-split+は、局所化されたモデル性能に基づいてXパーティションを生成する、実用的な局所共形アプローチである。 我々は,我々の局所的分割が条件付き共形推論手法から期待される行動と哲学的にどのように一致しているかを論じる。
  論文  参考訳（メタデータ） (2021-07-07T15:19:16Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)
• Fast and Robust Rank Aggregation against Model Misspecification [105.54181634234266]
  ランクアグリゲーション(RA)では、異なるユーザからの好みのコレクションを、ユーザの同質性の仮定の下で総順にまとめる。 RAにおけるモデルの不特定は、複素実世界の状況において同質性の仮定が満たされないために生じる。 本稿では,モデル誤特定に対する堅牢性を有するCoarsenRankを提案する。
  論文  参考訳（メタデータ） (2019-05-29T11:35:28Z)

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。