論文の概要: Confounding-Valid Conformal Inference for Counterfactual KPIs in Wireless Networks

• arxiv url: http://arxiv.org/abs/2609.05073v1
• Date: Fri, 04 Sep 2026 12:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.034105
• Title: Confounding-Valid Conformal Inference for Counterfactual KPIs in Wireless Networks
• Title（参考訳）: 無線ネットワークにおけるKPIのコンバウンディング・バリッド等式推論
• Abstract要約: 重要な課題は、ログ化されたテレメトリがコントローラが使用する変数を省略する可能性があり、結果として隠れたコンファウンディングが発生することである。 CV-CCI(Confounding-Valid Counterfactal Conformal Inference)を提案する。 CV-CCIは、豊富な、潜在的に確立された観測テレメトリと、限られたランダム化データを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 4.324853965862572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal counterfactual inference enables network operators to use logged telemetry to reliably answer 'what-if' questions about network operation. These answers typically take the form of prediction sets that contain, with a user-defined probability, the key performance indicators (KPIs) that would have been observed under alternative control actions. A key challenge is that logged telemetry may omit variables used by the controller, resulting in hidden confounding and invalidating the statistical guarantees of counterfactual analysis. In principle, this issue can be addressed using randomized telemetry, collected by assigning control actions independently of the network state. However, because such randomization may disrupt normal operation, randomized telemetry is typically scarce, causing counterfactual analysis based solely on it to produce uninformative prediction sets. To address these challenges, we propose Confounding-Valid Counterfactual Conformal Inference (CV-CCI), which combines abundant, potentially confounded observational telemetry with limited randomized data through the General Synthetic-Powered Inference (GESPI) principle. CV-CCI leverages observational data to improve efficiency while using randomized data to retain finite-sample coverage guarantees under arbitrary hidden confounding. Experiments on two representative radio access network (RAN) control tasks show that CV-CCI remains valid under hidden confounding while producing more efficient prediction sets than state-of-the-art confounding-valid baselines.
• Abstract（参考訳）: コンフォーマルカウンターファクト推論により、ネットワークオペレータはログ化されたテレメトリを使用して、ネットワーク操作に関する'What-if'質問に確実に答えることができる。 これらの答えは、通常、ユーザ定義の確率で、代替制御アクションの下で観測されたであろうキーパフォーマンスインジケータ(KPI)を含む予測セットの形式を取る。 重要な課題は、ログ化されたテレメトリは、コントローラが使用する変数を省略する可能性があり、結果として隠れたコンバウンドが発生し、反ファクト解析の統計的保証が無効になる可能性があることである。 原則として、ネットワーク状態とは独立して制御動作を割り当てることで収集したランダム化テレメトリを用いてこの問題に対処することができる。 しかし、このようなランダム化が通常の操作を妨害する可能性があるため、ランダム化されたテレメトリは典型的には不足しており、非形式的な予測セットを生成するために、それに基づく反事実分析を引き起こす。 これらの課題に対処するため, 汎用合成パワー推論(GESPI)の原理を用いて, 豊富な, 潜在的に確立された観測テレメトリと限られたランダム化データを組み合わせたコンファウンディング・Valid Counterfactal Conformal Inference (CV-CCI)を提案する。 CV-CCIは観測データを活用して効率を向上し、ランダム化データを用いて任意の隠蔽条件下で有限サンプルカバレッジ保証を保持する。 2つの代表的無線アクセスネットワーク(RAN)制御タスクの実験では、CV-CCIは、最新技術よりも効率的な予測セットを生成しながら、隠蔽下で有効であることが示されている。

関連論文リスト

• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Privacy-Preserving Robustness Verification for Neural Networks [8.136747065885006]
  プライバシ保護ニューラルネットワーク検証のための最初のフレームワークであるSecureCROWNを紹介する。 我々のフレームワークは、モデル所有者とデータ所有者が、認証された堅牢性境界を共同で計算することを可能にする。 SecureCROWNは検証結果と厳密に一致し, 異なるモデルサイズで0.1-200sで完了した。
  論文  参考訳（メタデータ） (2026-07-06T15:59:17Z)
• Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution [0.0]
  CPPDDはセキュアなマルチクライアントデータアグリゲーションのための自律プロトコルである。 二重層保護機構を通じて全リリース機密を強制する。 100%悪意のある偏差検出、正確なデータリカバリ、3～4桁のFLOPをMPCやHEのベースラインと比較できる。
  論文  参考訳（メタデータ） (2026-01-01T18:12:50Z)
• Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
  マルチソース検出問題について検討する。 グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。 本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-12T01:09:56Z)
• A Secured Intent-Based Networking (sIBN) with Data-Driven Time-Aware Intrusion Detection [2.7273279761148967]
  本研究では,データ駆動型侵入検知方式を用いたセキュアな IBN (sIBN) システムを提案する。 提案するインテント侵入検出システムは,ネットワーク行動異常検出に応用したMLモデルを用いて,インテントタンパの時間的パターンを明らかにする。
  論文  参考訳（メタデータ） (2025-11-07T10:28:01Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• 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)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• Forking Uncertainties: Reliable Prediction and Model Predictive Control with Sequence Models via Conformal Risk Control [40.918012779935246]
  本稿では,事前設計した確率予測器が生成した予測に基づいて,信頼性の高いエラーバーを生成する,新しいポストホックキャリブレーション手法を提案する。 最先端技術とは異なり、PTS-CRCはカバレッジ以上の信頼性定義を満たすことができる。 PTS-CRC予測と制御の性能を,無線ネットワークの文脈における多くのユースケースの研究により実験的に検証した。
  論文  参考訳（メタデータ） (2023-10-16T11:35:41Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)

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。