論文の概要: Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores

• arxiv url: http://arxiv.org/abs/2609.12386v1
• Date: Fri, 11 Sep 2026 03:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.59565
• Title: Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores
• Title（参考訳）: Label-Shift-Adjusted Bayesian Scores を用いた分割等角予測
• Abstract要約: ラベルシフトの下では、標準のコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 後続の予測単位から導かれる非整合性スコアであるemphLabel-Shift-Adjusted Bayesian Score (LSAスコア)を提案する。 LSAスコアは、残留基およびソース基のベイズスコアよりも短い間隔で出力する。
• 参考スコア（独自算出の注目度）: 2.2400646874013037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction provides distribution-free uncertainty quantification under exchangeability. However, this assumption is violated by label shift, where the marginal distribution of labels changes while the conditional distribution of inputs given labels remains stable. Under such shifts, standard conformal procedures no longer maintain their intended coverage behavior. Existing approaches address this via importance weighting. They pair the reweighting with residual-based nonconformity scores that ignore predictive uncertainty. The resulting intervals have uniform width. Bayesian conformal methods produce adaptive intervals by leveraging predictive distributions. They evaluate conformity under the source predictive, which is misaligned with the target domain under label shift. We propose the \emph{Label-Shift-Adjusted Bayesian Score} (LSA score), a nonconformity score derived from a posterior predictive tilting identity. This identity shows that the target predictive is an importance-weighted transformation of the source predictive. We use it to derive a direct correction to the Bayesian score. We evaluate the method on molecular property prediction under controlled label shift. The LSA score consistently yields shorter intervals than residual-based and source-based Bayesian scores. Coverage in the target domain remains comparable. Under stronger shift, all methods incur some coverage loss due to pseudo-label-based density-ratio estimation. The LSA score is defined for any source predictive with a tractable log-density. We instantiate it with Bayesian Ridge Regression, where the correction admits a closed form.
• Abstract（参考訳）: 等式予測は、交換可能性の下で分布のない不確実性定量化を提供する。 しかし、この仮定はラベルシフトによって破られ、ラベルの限界分布は変化し、与えられたラベルの条件分布は安定である。 このようなシフトの下では、標準的なコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 既存のアプローチでは、重み付けによってこの問題に対処している。 彼らは再重み付けと、予測の不確実性を無視した残差ベースの非整合性スコアを合わせる。 結果の間隔は均一な幅を持つ。 ベイズ共形法は予測分布を利用して適応区間を生成する。 彼らは、ソース予測の下で適合性を評価し、ラベルシフト時にターゲットドメインと不一致となる。 本研究では, 後続の予測傾きの個人性から得られる非整合性スコアである 'emph{Label-Shift-Adjusted Bayesian Score} (LSA score) を提案する。 このアイデンティティは、ターゲット予測がソース予測の重要な重み付け変換であることを示している。 ベイズスコアの直接補正を導出するためにこれを用いる。 制御ラベルシフトによる分子特性予測手法の評価を行った。 LSAスコアは、残差ベースおよびソースベースベイズスコアよりも短い間隔で出力する。 対象ドメインのカバレッジは、依然として同等です。 強いシフトの下では、全ての手法は擬似ラベルに基づく密度比の推定により、ある程度のカバレッジ損失を引き起こす。 LSAスコアは、トラクタブルなログ密度を持つ任意のソース予測に対して定義される。 我々はそれをベイジアンリッジ回帰(Bayesian Ridge Regression)でインスタンス化する。

関連論文リスト

• Anytime-Valid Confirmation of Label-Shift Corrections [0.6599344783327052]
  小規模の科学的展開では、ラベル付けされた目標結果が、信頼できるシフト推定には不足している可能性がある。 本研究では,ラベルシフト補正予測とソース予測との観測確率比が条件付きe値であることを示す。
  論文  参考訳（メタデータ） (2026-06-12T02:03:21Z)
• Empirical Bayes Conformal Prediction for Vision and Language Models [20.40115871314124]
  コンフォーマル予測(CP)は、現代のビジョンと言語モデルに対して、分布のないカバレッジを提供する。 標準CP は 1 つの実現法を使い、平均列キャリブレートの変種は点推定に滑らかな多重実現法を用いる。 実験的なベイズ共形予測フレームワークについて述べる。これは$r$-valuesを用いて、スコアの変動性を不確実な非整合性スコアに変換する。
  論文  参考訳（メタデータ） (2026-05-22T03:17:14Z)
• Coverage Guarantees for Pseudo-Calibrated Conformal Prediction under Distribution Shift [1.5861469511290378]
  コンフォーマル予測は、データ分散がシフトした場合の限界カバレッジを保証する。 この性能損失に対処するためのツールとして擬似校正を用いた場合の分析を行う。 ハードな擬似ラベルとランダムなラベルを補間するソース調整擬似校正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-16T16:48:39Z)
• 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)
• Contrastive Conditional Alignment based on Label Shift Calibration for Imbalanced Domain Adaptation [16.944918133828722]
  教師なしドメイン適応(UDA)のためのラベルシフトキャリブレーション(CCA-LSC)に基づくコントラスト条件アライメントを提案する。 本手法は,ラベルシフトと共変量シフトを併用したベンチマークにおいて,既存のUDA法およびIDA法より優れる。
  論文  参考訳（メタデータ） (2024-12-29T03:34:31Z)
• 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)
• Generating Unbiased Pseudo-labels via a Theoretically Guaranteed Chebyshev Constraint to Unify Semi-supervised Classification and Regression [57.17120203327993]
  分類におけるしきい値と擬似ラベルプロセス(T2L)は、ラベルの品質を決定するために信頼性を使用する。 本質的には、レグレッションは高品質なラベルを生成するためにバイアスのない方法も必要である。 チェビシェフの不等式に基づく不偏ラベルを生成するための理論的に保証された制約を提案する。
  論文  参考訳（メタデータ） (2023-11-03T08:39:35Z)
• PAC Prediction Sets Under Label Shift [52.30074177997787]
  予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。 ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。 提案手法を5つのデータセットで評価する。
  論文  参考訳（メタデータ） (2023-10-19T17:57:57Z)
• 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)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。