論文の概要: Conformal Robustness in Prediction-Driven Decision-Making

• arxiv url: http://arxiv.org/abs/2609.23170v1
• Date: Sat, 19 Sep 2026 18:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.705408
• Title: Conformal Robustness in Prediction-Driven Decision-Making
• Title（参考訳）: 予測駆動意思決定における等角的ロバスト性
• Abstract要約: 我々は,任意の固定点予測器を決定関連不確実性表現に変換するスコア校正型ロバストネスフレームワークを構築した。 我々は、厳密性の原始単位として、特定の不確実性集合ではなく、共形スコアを用いる。 我々の研究は、下流決定のための解釈可能な不確実性尺度を持つ固定されたブラックボックス予測器をコンフォーマルスコアが与えていることを示している。
• 参考スコア（独自算出の注目度）: 2.279145575055518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern prediction-driven decision systems often rely on black-box predictors, but a point forecast alone does not provide the uncertainty scale required for robust downstream decision-making. We build a score-calibrated robustness framework that converts any fixed point predictor into a decision-relevant uncertainty representation through distribution-free conformal calibration. We use the conformal score, rather than a particular uncertainty set, as the primitive unit of robustness. The same score determines coverage-calibrated uncertainty sets for reliability-based robust optimization and normalizes target violations in a target-oriented formulation, Conformal Robust Satisficing. This formulation induces a conformal fragility measure that quantifies how rapidly performance deteriorates as the realized parameter departs from the forecast on the conformal score scale. For objective-uncertainty problems under standard convexity and duality conditions, we show that the reliability-based and target-oriented formulations parameterize the same score-calibrated robust decision frontier. This equivalence yields a data-driven mapping between reliability levels and acceptable targets and characterizes the marginal cost of robustness. Synthetic experiments validate the theoretical guarantees and illustrate the reliability-target correspondence. A real-data online-grocery case study demonstrates how the interface combines deep-learning demand forecasts with tractable inventory optimization, thereby improving reliability and reducing operational costs. Overall, our work shows that conformal scores endow fixed black-box predictors with an interpretable uncertainty scale for downstream decision-making while enabling reliability guarantees, acceptable-target selection, and fragility analysis within a unified framework.
• Abstract（参考訳）: 現代の予測駆動決定システムは、しばしばブラックボックス予測に頼っているが、ポイント予測だけでは、下流の堅牢な意思決定に必要な不確実性尺度を提供していない。 我々は,任意の固定点予測器を分布自由共形キャリブレーションによる決定関連不確実性表現に変換する,スコア校正ロバストネスフレームワークを構築した。 我々は、厳密性の原始単位として、特定の不確実性集合ではなく、共形スコアを用いる。 同じスコアは、信頼性に基づくロバストな最適化のためのカバレッジ校正の不確実性セットを決定し、ターゲット指向の定式化(Conformal Robust Satisficing)におけるターゲット違反を正規化する。 この定式化は、共形スコアスケールの予測から実際のパラメータが離れるにつれて、パフォーマンスがどれだけ急速に悪化するかを定量化する共形脆弱度尺度を誘導する。 標準凸性および双対性条件下での客観的不確実性問題に対して、信頼性ベースおよび目標指向の定式化が同じスコアの校正された頑健な決定フロンティアをパラメータ化することを示す。 この等価性は信頼性レベルと許容される目標の間のデータ駆動マッピングをもたらし、ロバストネスの限界コストを特徴づける。 合成実験は理論的な保証を検証し、信頼性とターゲットの対応を説明する。 リアルタイムオンライングローサリーケーススタディでは、ディープラーニングの需要予測とトラクタブルな在庫最適化を組み合わせることで、信頼性の向上と運用コストの削減を実現している。 本研究は, 信頼性保証, 許容対象選択, 脆弱性解析を統一フレームワーク内で実現しつつ, ダウンストリーム決定のための解釈可能な不確実性尺度を有する固定ブラックボックス予測器を適合点とすることを示す。

関連論文リスト

• Decision-calibrated prediction sets for robust power system operations [2.234083934481286]
  気象に依存した不確実性に支配される電力系統の運用コストと信頼性のバランスをとるために、決定校正された不確実性セットを導入する。 これらは条件付きカバレッジではなく、下流の意思決定の信頼性の観点から定義される。 決定校正された集合が所定の制約満足度目標を約3ポイントの範囲で達成できることを示し、一方、標準カバレッジに基づく校正は、これらの目標を11ポイント以上体系的に超えることを示した。
  論文  参考訳（メタデータ） (2026-06-01T11:12:09Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• When Robustness Meets Conservativeness: Conformalized Uncertainty Calibration for Balanced Decision Making [8.234618636958462]
  本稿では,誤発見と後悔の保証を無分布で有限サンプルで提供する新しいフレームワークを提案する。 提案手法は,不規則なフロンティアを追従する有効な推定器を構築する。 これらの結果は、ロバスト性選択を導くための、最初の原則付きデータ駆動手法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T03:38:17Z)
• Uncertainty-Driven Reliability: Selective Prediction and Trustworthy Deployment in Modern Machine Learning [1.2183405753834562]
  この論文は、不確実性推定が機械学習(ML)システムの安全性と信頼性を高める方法について考察する。 まず、モデルのトレーニング軌道は、アーキテクチャの変更や損失を伴わずに活用できるような、豊富な不確実性信号を含むことを示す。 本稿では,タスク間で動作し,深層アンサンブルのコストを回避し,最先端の選択的予測性能を実現する軽量なポストホック禁忌手法を提案する。
  論文  参考訳（メタデータ） (2025-08-11T02:33:53Z)
• 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)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• End-to-End Conformal Calibration for Optimization Under Uncertainty [32.844953018302874]
  本稿では,条件最適化のための不確実性推定を学習するためのエンドツーエンドフレームワークを開発する。 さらに,部分凸ニューラルネットワークを用いた任意の凸不確実性集合の表現を提案する。 我々のアプローチは2段階最適化によって一貫して改善される。
  論文  参考訳（メタデータ） (2024-09-30T17:38:27Z)

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。