論文の概要: When Is a Conformal Guarantee Fair? Auditing Silent Subgroup Under-Coverage in Alzheimer's Disease Longitudinal Prediction
- arxiv url: http://arxiv.org/abs/2608.04254v1
- Date: Tue, 04 Aug 2026 22:20:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.647802
- Title: When Is a Conformal Guarantee Fair? Auditing Silent Subgroup Under-Coverage in Alzheimer's Disease Longitudinal Prediction
- Title（参考訳）: コンフォーマル・ガーランシー・フェアはいつ頃か : アルツハイマー病の縦断的予測におけるサイレント・サブグループ・アンダー・キャバセージの検討
- Abstract要約: 本稿では,サブグループアンダーカバーの監査と修復のための一般的なメカニズム駆動フレームワークを提案する。
その結果, 人口レベルのバンドは, 有意な限界範囲のカバレッジを達成できたにもかかわらず, 68の組み合わせのうち57のハイリスク・サブグループを覆い隠していることがわかった。
我々は,各機構を対応する共形補正と組み合わせる:延性に対するクロスコンフォーマルプーリング,尾部重度に対するサブグループごとのキャリブレーション,カバーセーフな縁床。
- 参考スコア（独自算出の注目度）: 3.8892887527569857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Longitudinal prediction of Alzheimer's disease biomarkers increasingly informs clinical decisions, and a forecast is only useful if it also reports how much to trust it. Conformal prediction supplies this by wrapping any forecaster in a prediction band with a finite-sample coverage guarantee under exchangeability. However, standard population-level conformal prediction guarantees only marginal coverage and may mask substantial under-coverage within clinically important subgroups. We introduce a general mechanism-driven framework for auditing and repairing such subgroup under-coverage. Across two cohorts (ADNI, OASIS-3), two base forecasters, and nine attributes spanning genetic risk, demographics, and clinical severity, we find that population-level bands under-cover high-risk subgroups in 57 of 68 audited combinations, despite achieving nominal marginal coverage. We trace these failures to two mechanisms: (A) \emph{rarity}, where a group-conditional band calibrated on only $n$ patients covers at most $k/(n+1)$; and (B) \emph{tail-heaviness}, where a population-wide band is too narrow for a heavy-tailed subgroup and additional data cannot close the gap. Under-coverage falls disproportionately on patients with high genetic risk and disease severity (6.1 pp mean deficit, 95\% CI [3.3, 8.9]), while demographic groups remain at the target level on average (0.0 pp, CI [$-1.9$, 1.7]). We pair each mechanism with a corresponding conformal correction: cross-conformal pooling for rarity, per-subgroup calibration for tail-heaviness, and a coverage-safe marginal floor when both arise. Together, these corrections restore target coverage for nearly every high-risk subgroup across both cohorts and forecasters.
- Abstract（参考訳）: アルツハイマー病のバイオマーカーの経時的予測は、ますます臨床上の決定を知らせるようになり、それをどれだけ信頼するかを報告すれば、予測は有用である。
整形予測は、交換可能性の下で有限サンプルのカバレッジ保証を持つ予測帯域で予測器をラップすることでこれを供給します。
しかし、標準の集団レベルのコンフォメーション予測は、限界範囲のみを保証し、臨床的に重要なサブグループ内のかなりの過大なカバーを隠蔽する可能性がある。
本稿では,そのようなサブグループアンダーカバーの監査と修復のための一般的なメカニズム駆動フレームワークを提案する。
2つのコホート (ADNI, OASIS-3) と2つの塩基性予測器,9つの属性が遺伝的リスク, 人口統計, 臨床重症度にまたがっており, 人口レベルのバンドが68の検査対象群のうち57のハイリスクサブグループをカバーしていることが判明した。
A) \emph{rarity}, (B) \emph{tail-heaviness}, (B) {\displaystyle \emph{tail-Heaviness}, (B) \emph{tail-Heaviness}, (B) {\displaystyle \emph{rarity}, (A) \emph{rarity}, (B) \emph{tail-Heaviness}, (B) \emph{tail-Heaviness}, (B) {\displaystyle \emph{tail-Heaviness}, (B) \emph{tail-Heaviness}, (B) {\displaystyle \emph{tail-Heaviness}, (B) \emph{tail-Heaviness} は、大小集団には小集団には狭すぎるが、そのギャップを埋めることができない。
人口集団は平均で0.0pp, CI [$-1.9$, 1.7] であり、高い遺伝的リスクと病気の重症度(6.1pp, 95\% CI [3.3, 8.9])で不均衡に陥る。
我々は,各機構を対応する共形補正と組み合わせる:希少性のためのクロスコンフォーマルプール,尾部重度のためのサブグループごとのキャリブレーション,両方が発生した場合のカバーセーフな縁床。
これらの補正は、コホートと予測者の両方にわたるほぼすべてのハイリスクサブグループのターゲットカバレッジを復元する。
関連論文リスト
- When Calibration Fails the Vulnerable Hospital: Federated Conformal Risk Control via Risk-Curve Shrinkage [0.0]
コンフォーマルリスク制御(CRC)は、セグメンテーション品質の分布自由保証を提供する。
フェデレートされたデプロイメントでは、標準的なアプローチは、サイト間でキャリブレーションスコアを単一のしきい値にプールする。
この単純プール型CRCは平均的な病院を保護しているが、個々の施設の40%はカバー範囲に違反している。
論文 参考訳（メタデータ） (2026-06-18T11:39:44Z) - Conformal Risk Prediction for Non-Alcoholic Fatty Liver Disease Using Gradient Boosting with Distribution-Free Coverages [2.538209532048867]
非アルコール性脂肪肝疾患(NAFLD)は、世界の成人の約25%に影響を及ぼす。
NAFLDリスク予測のための機械学習フレームワークである Method を提案する。
論文 参考訳（メタデータ） (2026-05-31T14:23:21Z) - Socio-Conformal Calibration in Complex Survey Data: Marginal Validity Is Not Enough for Subgroup Reliability [1.089614199781423]
我々は,Pew American Trends Panel上での5段階のAI態度予測の順序性予測について検討した。
標準コンフォメーションは4つのベース予測器全てに対して名目上の限界範囲を達成しているが、重み付けされたサブグループギャップは13ポイントである。
最強の予測者(XGBoost)にとって、モンドリアンは公平性と効率性のトレードオフを悪化させる。
グループしきい値を大域量子化に向けて縮小する正規化コンパレータは、この不安定性を緩和する。
論文 参考訳（メタデータ） (2026-05-07T01:10:48Z) - Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
条件付きカバレッジ推定が分類問題であることを示す。
得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。
ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
論文 参考訳（メタデータ） (2025-12-12T18:47:39Z) - Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction [3.860970992977915]
術後合併症予測のための公平性を考慮したマルチタスク学習フレームワークを提案する。
FAIR-MTLはデータ駆動型サブグループ推論機構を採用している。
AUCは0.86であり、75%の精度でシングルタスクベースラインを上回り、バイアスを大幅に低減する。
論文 参考訳（メタデータ） (2025-11-29T19:06:07Z) - Hybrid Adaptive Conformal Offline Reinforcement Learning for Fair Population Health Management [1.5635627702544692]
メディケイド人口の健康管理プログラムは、縦断的アウトリーチとサービスを調整する。
本稿では、リスクキャリブレーションを優先最適化から分離し、保守的な行動レコメンデーションを生成するハイブリッド適応整形オフライン強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-11T18:09:28Z) - 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) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
グループ不均衡は経験的リスク最小化において既知の問題である。
本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
論文 参考訳（メタデータ） (2024-03-12T04:38:05Z) - Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳（メタデータ） (2023-11-03T21:19:59Z) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z)
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。