論文の概要: Reaching the Tail: Calibration Diversity Drives Conformal Coverage under Data Scarcity

• arxiv url: http://arxiv.org/abs/2608.21591v1
• Date: Fri, 21 Aug 2026 19:51:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.296987
• Title: Reaching the Tail: Calibration Diversity Drives Conformal Coverage under Data Scarcity
• Title（参考訳）: キャリブレーションの多様性は、データスカシティの下でのコンフォーマルなカバーを駆動する
• Abstract要約: 長期のマクロ経済連関データ制約下では, マルチホライゾンレアイベント予測は困難である。 制御されたアブレーションは、代わりにキャリブレーションセットのサイズを反映するアダプティブ・コンフォーマル推論に対する明らかな希少しきい値を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-horizon rare-event forecasting is hard under long macroeconomic series' data constraints: labeled events are scarce, and standard uncertainty quantification assumes an exchangeability that autocorrelation violates. A controlled ablation shows an apparent rare-event threshold for Adaptive Conformal Inference instead reflects calibration-set size. Across 200 random calibration sets, support width of the nonconformity-score distribution explains up to 85% of coverage variance versus 2% for rare-event count; the same, not the same magnitude, replicates across synthetic conditions and five countries (five-country Spearman $ρ$ 0.45-0.66 vs. 0.02-0.23). A diversity-maximizing selector built on this is the only strategy tested that improves long-horizon coverage (67.8% to 81.4% at six months); Mondrian, shift-robust, and extreme-value alternatives fail to close it. Mondrian even worsens coverage under oracle labels. A compact proposition explains why: coverage deficit reflects how closely the calibration set's upper quantile reaches the test distribution's. Diversity is necessary, not sufficient. Demonstrated on a two-stage U.S. recession-forecasting framework with RegressorChain, whether six-month coverage reaches 90% under honest scoring remains open, a question this paper quantifies rather than resolves.
• Abstract（参考訳）: ラベル付きイベントは不足しており、標準的な不確実性定量化は、自己相関が違反する交換可能性を想定している。 制御されたアブレーションは、代わりにキャリブレーションセットのサイズを反映するアダプティブ・コンフォーマル推論に対する明らかな希少しきい値を示す。 200個のランダムキャリブレーションセットにまたがって、非整合性スコア分布の支持幅は、レアイベント数では最大85%、レアイベント数では2%と説明され、同じ大きさではなく、合成条件と5つの国で複製される(5つの国でSpearman $ρ$ 0.45-0.66 vs. 0.02-0.23)。 この上に構築された多様性を最大化するセレクターは、長い水平範囲(6ヶ月で67.8%から81.4%)を改善するためにテストされた唯一の戦略である。 モンドリアンは、オラクルのラベルの下でのカバレッジをさらに悪化させる。 カバレッジの欠陥は、キャリブレーションセットの上限量子がテスト分布にどれだけ近いかを反映している。 多様性は必要であり、十分ではない。 RegressorChainによる2段階の景気後退予測の枠組みを実証し、正直な採点の下で6ヶ月のカバレッジが90%に達するかどうかを議論するが、この論文は解決ではなく定量化している。

関連論文リスト

• Conformal Calibration for Multi-Modal Regression with Missing Modalities [0.0]
  多モード回帰の予測間隔は、ソースが一致しない、または欠落している場合に校正が困難である。 我々はこれをモジュラリティを意識した共形キャリブレーション層を通じて解決する。 レイヤーは、モダリティごとに1つの予測器を訓練または再利用し、予測から不一致スコアを計算し、そのスコアを分割共形キャリブレーションで使用する。
  論文  参考訳（メタデータ） (2026-08-07T22:38:35Z)
• Distribution-Free Conformal Prediction for Steel Fatigue Strength: Marginal Validity Is Not Enough [0.0]
  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。
  論文  参考訳（メタデータ） (2026-08-05T18:13:28Z)
• Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
  ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。 粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。 ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
  論文  参考訳（メタデータ） (2026-08-04T23:48:36Z)
• A Quiet Failure in Calibrated Virtual Screening: Marginal Conformal Prediction Under-Covers the Minority Class, and a Class-Conditional Fix Recovers It [0.0]
  整形予測は、モデルの信頼性に正直な数字を付けるために、薬物発見に採用されている。 この保証は、不均衡なデータセットでは危険である可能性がある。 我々の貢献は、この既知の共形理論のギャップがいかに深刻で不可視であるかを実際の化学で実証することである。
  論文  参考訳（メタデータ） (2026-07-07T04:31:56Z)
• Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration [20.21455697379946]
  そこで我々は,列車チューンキャリブレート設計の原則としてデカップリング・コンフォーマル最適化(DCO)を提案する。 DCOは、効率指向構造選択のために独立したチューニングスプリットと、最終共形量子化のための新鮮なキャリブレーションスプリットを使用する。 DCOは,PACスタイルのキャリブレーションに対して,平均予測セットサイズや間隔幅を小さくしながら,名目カバレッジレベルを密に追跡する。
  論文  参考訳（メタデータ） (2026-05-18T13:10:21Z)
• 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)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• 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)
• 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)
• Integrating Uncertainty Awareness into Conformalized Quantile Regression [12.875863572064986]
  本稿では,特徴空間全体にわたって量子回帰器を微分的に調整するコンフォーマル化量子回帰(CQR)手法を提案する。 CQRと比較して,本手法は,シミュレーション設定や実世界のデータセットなどにおいて,より強い条件付きカバレッジ特性を示しながら,分布のない理論的カバレッジ保証を享受する。
  論文  参考訳（メタデータ） (2023-06-14T18:28:53Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)

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。