Fugu-MT 論文翻訳(概要): PICPIs: Prediction-Interval-Conditional Prediction Intervals

論文の概要: PICPIs: Prediction-Interval-Conditional Prediction Intervals

arxiv url: http://arxiv.org/abs/2609.25388v1
Date: Mon, 21 Sep 2026 20:29:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-23 18:04:04.099956
Title: PICPIs: Prediction-Interval-Conditional Prediction Intervals
Title（参考訳）: PICPI:予測・インターバル・コンディショナル予測間隔
Abstract要約: PICPI(Predict-Interval-Conditional Prediction Intervals)と呼ばれる予測ベースの条件付きフレームワークを提案する。確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。
参考スコア（独自算出の注目度）: 47.78682744724085
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A classical question in statistics is which observable quantities to condition on when drawing inferences about unobservable targets. For conformal prediction in nonparametric uncertainty quantification, standard marginal validity offers limited resolution at the prediction values on which decisions are based, and fully conditional guarantees with respect to the covariates are provably unattainable. We address this gap by introducing a prediction-based conditioning framework that we refer to as Prediction-Interval-Conditional Prediction Intervals (PICPIs). Formally, a PICPI is an interval $I$ satisfying a self-consistency condition: $$\mathbb{E} [Y \mid p(X) \in I] \in I,$$ for predictive model $p$, contextual covariate $X$, and outcome $Y$. Thus, an interval simultaneously defines a stratum of prediction values and certifies that the mean outcome in that stratum lies in the same interval. This self-consistency condition yields data-adaptive strata without altering the original prediction. Such intervals can be constructed using practical algorithms. Under regularity of the prediction distribution, the constructed intervals cover all but an arbitrarily small fraction of prediction values and have widths that decrease at rate $n^{-1/3}$, up to logarithmic factors and the prediction error. Moreover, identifying these locally calibrated intervals can, in turn, inform downstream decision-making. We derive inference procedures for PICPIs in probabilistic prediction and multi-class classification, accompanied by theoretical guarantees. Empirical results are provided that compare PICPIs with existing interval-based baselines.
Abstract（参考訳）: 統計学における古典的な疑問は、観測不可能な対象についての推論を描くときに、どの観測可能な量を条件にするかである。非パラメトリック不確実性定量化における共形予測では、標準限界妥当性は、どの決定がベースであるかの予測値において限定的な解決を提供し、共変量に対する完全な条件付き保証は、証明不可能である。我々はこのギャップを予測型条件付けフレームワークによって解決し、予測区間予測インターバル(PICPI)と呼ぶ。形式的には、PICPIは自己整合条件を満たす区間$I$である:$$\mathbb{E} [Y \mid p(X) \in I] \in I,$ for predictive model $p$, contextual covariate $X$, and result $Y$。したがって、間隔は同時に予測値の層を定義し、その層の平均結果が同じ間隔にあることを証明する。この自己整合性条件は、元の予測を変更することなく、データ適応層を生成する。このような間隔は実用的なアルゴリズムで構築できる。予測分布の正則性の下では、構成間隔は任意に小さな予測値を除いて全てをカバーし、対数係数や予測誤差まで、$n^{-1/3}$で減少する幅を持つ。さらに、これらの局所的な校正間隔を識別することで、下流の意思決定を通知することができる。確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。 PICPIと既存の間隔ベースラインを比較する実験結果が提供される。

論文の概要: PICPIs: Prediction-Interval-Conditional Prediction Intervals

関連論文リスト