論文の概要: Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough
- arxiv url: http://arxiv.org/abs/2608.07589v1
- Date: Wed, 05 Aug 2026 18:13:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.451139
- Title: Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough
- Title（参考訳）: 鋼疲労強度の分布自由等角予測:マルジナル妥当性は十分ではない
- Abstract要約: 鋼部品の疲労破壊を実験的に予測するには、複数の組成と処理条件をまたいだ試験が必要であるため、コストがかかる。
NIMS MatNavi鋼疲労データセットを用いた研究は、しばしば高い点予測精度を報告するが、総合誤差測定に依存する。
本論文は, 鋼疲労強度に対する適合予測を初めて適用したものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting fatigue failure in steel components experimentally is costly because it requires testing across multiple compositions and processing conditions. This has spurred research on data-driven prediction models. Studies using the NIMS MatNavi steel fatigue dataset often report high point-prediction accuracy but rely on aggregate error metrics, leaving uncertainty about the reliability of individual predictions and whether accuracy is consistent across the fatigue-strength spectrum. This paper is the first to apply conformal prediction to steel fatigue strength, comparing five interval-construction methods across 50 independent data splits and distinguishing marginal coverage from coverage within specific sub-regions of the predicted property. A gradient-boosting point model achieves an R^2 of 0.976 +/- 0.009 and a mean absolute error of 18.3 +/- 2.3 MPa. Split-conformal prediction provides valid marginal coverage (0.918) but drops to 0.755 in the highest-strength quartile, where design margins are most critical, a pattern also observed with a Gaussian process baseline. A cross-fitted, normalized conformal method restores near-uniform coverage across all quartiles (0.869-0.938) without a significant increase in interval width, by scaling the interval based on a cross-fitted estimate of local prediction difficulty rather than using a single global width. Diagnostic analysis traces the residual gap in the highest-strength quartile to elevated residual variance (2.7x the pooled Q1-Q3 level) rather than a systematic bias, situating the shortfall against a proven distribution-free limit on exact conditional coverage. Marginal coverage claims for ML-based fatigue-strength predictions can conceal systematic unreliability precisely where engineering decisions are most risky; therefore, conditional coverage should be routinely assessed alongside marginal coverage.
- Abstract（参考訳）: 鋼部品の疲労破壊を実験的に予測するには、複数の組成と処理条件をまたいだ試験が必要であるため、コストがかかる。
これにより、データ駆動予測モデルの研究が加速した。
NIMS MatNavi鋼疲労データセットを用いた研究は、しばしば高い点予測精度を報告するが、集合誤差メトリクスに依存し、個々の予測の信頼性と疲労強度スペクトル間で精度が整合しているかどうかについて不確実性を残している。
本論文は,50個の独立データ分割にまたがる5つの間隔構成法と,予測された特性の特定部分領域における被覆範囲とを区別し,鋼疲労強度に対する適合予測を初めて適用したものである。
勾配ブースティング点モデルは 0.976 +/- 0.009 の R^2 と 18.3 +/- 2.3 MPa の平均絶対誤差を達成する。
スプリット・コンフォーマルな予測は有効な限界カバレッジ(0.918)を提供するが、最も強い四分儀では0.755に低下する。
クロスフィット型正規化コンフォメーション法は, 単一大域幅ではなく, 局所予測困難度をクロスフィットした推定値に基づいて, 間隔幅を大きく増大させることなく, 全四分儀(0.869-0.938)のほぼ一様範囲を復元する。
診断学的解析は、最も強い四量体の残差を、体系的なバイアスではなく、残差(プールされたQ1-Q3の2.7倍)を増大させ、正確な条件付き範囲で証明された分布自由限界に対して不足を減らし、追跡する。
MLに基づく疲労強度予測のマージナルカバレッジは、エンジニアリング上の決定が最も危険であるような系統的不確実性を正確に隠蔽することができるため、条件付きカバレッジは限界カバレッジとともに定期的に評価されるべきである。
関連論文リスト
- Semiparametric Inference for Conditional Shapley Feature Importance [0.0]
本稿では, 条件定式化について検討し, その実条件分布の下で, 対数外特徴を積分する。
そこで本研究では, K-fold cross-fitting とU-statistic correct of the squared loss intervalを提案する。
ピンスカー型境界は、作業コプラクラスを誤って特定するバイアスを定量化し、ワインコプラは条件付きサンプリングが可能である。
論文 参考訳（メタデータ） (2026-09-09T15:19:24Z) - Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。
我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。
結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
論文 参考訳（メタデータ） (2026-07-08T15:51:05Z) - Beyond Point Estimates: Benchmarking Uncertainty Quantification Methods on the AION-1 Astronomical Foundation Model [47.71489969727656]
Conformalized Quantile Regression (CQR)は、最も貧弱なモデル予測で、ビン内で最高のカバレッジを提供する。
局所的妥当性判別(Locally Valid and Discriminative, LVD)フレームワークのみが、有限サンプルの局所的妥当性を提供する。
論文 参考訳（メタデータ） (2026-06-05T18:29:19Z) - Scalable Uncertainty Quantification for Extreme Weather Forecasting via Empirical Neural Tangent Kernels [0.0]
ディープラーニングの天気モデルでは、数値的な天気予報の精度が向上し、桁違いの精度が向上した。
しかし、不確実性予測のない決定論的予測は、極度の気象イベントにおける高い意思決定に重要なギャップである。
本稿では,最後の層的経験的特徴を用いたニューラル・タンジェント・カーネルに基づく不確実性定量化(NTK-UQ)を提案する。
論文 参考訳（メタデータ） (2026-06-01T20:57:06Z) - Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。
本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
論文 参考訳（メタデータ） (2026-02-19T18:32:26Z) - Leverage-Weighted Conformal Prediction [1.3537117504260623]
分割共形予測は、有限サンプルの限界カバレッジを持つ分布のない予測間隔を提供する。
統計的レバレッジの関数により非整合性のスコアを重み付けするLevanage-Weighted Conformal Predictionを提案する。
論文 参考訳（メタデータ） (2026-02-13T07:49:39Z) - Colorful Pinball: Density-Weighted Quantile Regression for Conditional Guarantee of Conformal Prediction [7.273442425568326]
我々は、多くの共形法を支える量子レグレッション成分を洗練する。
我々は、結果として生じる過剰なリスクを特徴付ける、正確な非漸近的保証を伴う理論的分析を提供する。
多様な高次元実世界のデータセットの実験では、条件付きカバレッジ性能が著しく改善された。
論文 参考訳（メタデータ） (2025-12-30T11:02:35Z) - 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) - Bayesian Uncertainty Quantification with Anchored Ensembles for Robust EV Power Consumption Prediction [0.8602553195689513]
EVパワー推定は、レンジ予測とエネルギー管理の基盤となっているが、実践者はポイント精度と信頼できる不確実性の両方を必要としている。
本稿では,不確かさを両立させるアンロックアンサンブル長短記憶(LSTM)を提案する。
RMSE 3.36 +/- 1.10, MAE 2.21 +/- 0.89, R-squared = 0.93 +/- 0.02, 共分散 0.93 +/- 0.02 を解析し, ほぼノルミナルカバレッジを持つよく校正された不確かさ帯域を提供する。
論文 参考訳（メタデータ） (2025-11-09T20:49:42Z) - Cross-World Assumption and Refining Prediction Intervals for Individual Treatment Effects [6.083038976289835]
高い意思決定のためには、個々の治療効果の推定には有効な予測間隔が伴わなければならない。
高い意思決定のためには、個々の治療効果の推定には有効な予測間隔が伴わなければならない。
論文 参考訳（メタデータ） (2025-07-16T18:58:18Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳（メタデータ） (2024-06-05T13:36:38Z) - 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)
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。