論文の概要: Multi-source conformal prediction: leveraging heterogeneity via localization
- arxiv url: http://arxiv.org/abs/2609.14531v1
- Date: Sun, 13 Sep 2026 14:08:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.835995
- Title: Multi-source conformal prediction: leveraging heterogeneity via localization
- Title（参考訳）: 多元共形予測 : 局所化による不均一性の利用
- Abstract要約: マルチソースランダム局所等角予測(MS-RLCP)を提案する。
ランダム局所共形予測(RLCP)の局所被覆特性に基づくMS-RLCPの構築
我々の分析により、テスト特徴分布はエンベロープに対して絶対連続であり、ソース分布の混合を超えて拡張できる。
- 参考スコア（独自算出の注目度）: 3.6831672200803993
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many modern prediction tasks involve data from multiple heterogeneous sources, while the test distribution may differ substantially from any individual source. Although heterogeneity poses challenges, it also offers an opportunity: different sources may provide complementary information, with some regions of the feature space better represented in one source than another. We propose Multi-Source Randomly Localized Conformal Prediction (MS-RLCP), which builds on the local coverage properties of randomly localized conformal prediction (RLCP) (Hore and Barber, 2025) and extends it to multiple sources through data-adaptive source selection. Under the widely adopted assumption of a shared response distribution conditional on the features across sources and the test population, we establish finite-sample coverage bounds using an interpretable notion of envelope distribution that captures their aggregate feature-space representation. Our analysis allows the test feature distribution to be absolutely continuous with respect to the envelope, extending beyond mixtures of source distributions. Under additional regularity conditions, we also establish asymptotic test-conditional coverage. Simulations and real-world experiments demonstrate the effectiveness of MS-RLCP across varying levels of data heterogeneity.
- Abstract（参考訳）: 現代の予測タスクの多くは、複数の異種ソースのデータを含むが、テスト分布は個々のソースと大きく異なる場合がある。
異種性は課題を提起するが、それはまた機会を与える: 異なるソースは相補的な情報を提供するかもしれない。
本稿では,RLCP(Ropularly Localized Conformal Prediction, RLCP)の局所的カバレッジ特性に基づくマルチソースランダム局所コンフォーマル予測(MS-RLCP)を提案し,それをデータ適応型ソース選択により複数のソースに拡張する。
ソースとテスト個体群にまたがる特徴の共有応答分布条件を広く採用した仮定の下で, 包絡分布の解釈可能な概念を用いて有限サンプルカバレッジ境界を定め, それらの集合的特徴空間表現を捉える。
我々の分析により、テスト特徴分布はエンベロープに対して絶対連続であり、ソース分布の混合を超えて拡張できる。
追加の規則性条件の下では、漸近的なテスト条件カバレッジも確立する。
シミュレーションと実世界の実験は、MS-RLCPが様々なレベルのデータ不均一性に対して有効であることを示す。
関連論文リスト
- Reconsidering Dependency Networks from an Information Geometry Perspective [1.7802147489386628]
依存ネットワークは擬似ギブズサンプリングを通じて独立に学習された局所条件分布を結合する。
計算上の優位性にもかかわらず、依存関係ネットワークの理論的な基礎はいまだ不完全である。
本稿では,擬似ギブスサンプリングの情報幾何学的解析法を開発し,各サンプリングステップを全条件多様体へのm-射影として解釈する。
論文 参考訳（メタデータ） (2026-04-01T16:40:47Z) - Towards Generalizable Deepfake Detection via Real Distribution Bias Correction [62.89674593681203]
本稿では,2つの主要コンポーネントからなるReal Distribution Bias Correction(RDBC)フレームワークを紹介する。
RDBCは、ドメイン内およびクロスドメインのディープフェイク検出の両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-14T16:11:00Z) - Multi-Distribution Robust Conformal Prediction [15.5300376981723]
複数の異種分布に対して一様に有効である共形予測集合を構築することの問題点について検討する。
まず,有限サンプル・複数分布カバレッジを実現する最大pアグリゲーション方式を提案する。
本稿では,グループ単位での分散的ロバストな最適化,サブポピュレーションシフト,公平性,マルチソース学習との関連性について論じる。
論文 参考訳（メタデータ） (2026-01-06T13:22:13Z) - 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 Theory for Conditional Generative Modeling on Multiple Data Sources [20.539424639329564]
本稿では,条件付き生成モデルにおけるマルチソース学習の厳密な分析に向けての第一歩を踏み出す。
この結果から,ソース分布が類似点を共有し,モデルが十分に表現可能である場合,マルチソーストレーニングは単一ソーストレーニングよりもシャープなバウンドを保証できることがわかった。
論文 参考訳（メタデータ） (2025-02-20T14:13:24Z) - Sourcerer: Sample-based Maximum Entropy Source Distribution Estimation [5.673617376471343]
本稿では,最大エントロピー分布,すなわち可能な限り不確実性を維持することを優先する手法を提案する。
提案手法は,Sliced-Wasserstein距離を利用して,データセットとシミュレーションの差分を測定する。
提案手法の有用性を実証するために,何千もの単一ニューロン計測を用いた実験データセットから,Hodgkin-Huxleyモデルのパラメータのソース分布を推定する。
論文 参考訳（メタデータ） (2024-02-12T17:13:02Z) - Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。
提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文 参考訳（メタデータ） (2023-06-14T08:00:49Z) - Policy Evaluation in Distributional LQR [70.63903506291383]
ランダムリターンの分布を閉形式で表現する。
この分布は有限個の確率変数で近似できることを示す。
近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-03-23T20:27:40Z) - Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。
提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
論文 参考訳（メタデータ） (2022-06-06T17:32:12Z) - Goal-oriented adaptive sampling under random field modelling of response
probability distributions [0.6445605125467573]
応答分布の空間的変動がそれらの平均および/または分散だけでなく、例えば、形状や一様性、多様性などを含む他の特徴も考慮する。
我々の貢献は、それによって引き起こされる確率分布の場をモデル化する非パラメトリックベイズアプローチに基づいている。
論文 参考訳（メタデータ） (2021-02-15T15:55:23Z) - A Discriminative Technique for Multiple-Source Adaptation [55.5865665284915]
本稿では,マルチソース適応のための新しい識別手法,MSA,問題を提案する。
我々のソリューションは、ソースドメインからのラベルなしデータから容易に正確に推定できる条件付き確率のみを必要とする。
実世界の応用実験により、新しい識別的MSAアルゴリズムは、以前の生成解よりも優れていたことがさらに証明された。
論文 参考訳（メタデータ） (2020-08-25T14:06:15Z)
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。