論文の概要: CS-WCP: Robust Conformal Sets for LLM-Judge Traffic Shifts with Uncertain Group Proportions

• arxiv url: http://arxiv.org/abs/2609.27955v1
• Date: Sun, 23 Aug 2026 07:12:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.020049
• Title: CS-WCP: Robust Conformal Sets for LLM-Judge Traffic Shifts with Uncertain Group Proportions
• Title（参考訳）: CS-WCP:不確実なグループ分布を考慮したLCM-Judgeトラフィックシフトのためのロバストなコンフォーマルセット
• Abstract要約: 信頼セット重み付き共形予測(CS-WCP)は、ソースおよびターゲットグループの質量に対して同時に正確な間隔を構築する。 CS-WCPは少なくとも1-α-delta_w-tau_A-kappaをカバーできる。
• 参考スコア（独自算出の注目度）: 1.0742675209112622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction sets built from an LLM judge can undercover when deployment traffic changes the prevalence of task or policy groups. Weighted conformal prediction is exact under covariate shift when the density ratio is known, but group proportions must usually be estimated from finite unlabeled samples. We introduce confidence-set weighted conformal prediction (CS-WCP), which constructs simultaneous exact intervals for source and target group masses and returns the union of weighted conformal sets over every compatible ratio vector. For a fixed or independently learned finite partition, CS-WCP attains coverage at least 1-alpha-delta_w-tau_A-kappa, where tau_A measures within-cell covariate mismatch and kappa measures conditional shift. A linear endpoint rule computes the robust union in O(G|Y|) time. Across 336 constructed shared-support traffic shifts, CS-WCP reaches 0.973 mean coverage with 13 point failures, compared with 0.954 and 44 failures for source conformal prediction, at mean binary set sizes 1.74 and 1.65. On 336 natural cross-task transfers, coverage rises from 0.882 to 0.962, but mean set size reaches 1.87 and a size-matched group plug-in baseline is competitive. The method therefore supplies an auditable coverage safeguard under uncertain mixture weights; its value is conservative tail protection, not scalar probability calibration or uniformly smaller sets.
• Abstract（参考訳）: LLMジャッジから構築された予測セットは、デプロイメントトラフィックがタスクまたはポリシーグループの頻度を変化させたときに、その原因を明らかにすることができる。 重み付き共形予測は密度比が知られている場合、共変量シフトの下では正確であるが、群比は通常有限なラベル付き標本から推定されなければならない。 我々は、ソースとターゲットの群を同時に正確な間隔で構成し、全ての互換比ベクトル上で重み付き共形集合の結合を返す、信頼セット重み付き共形予測(CS-WCP)を導入する。 CS-WCPは、固定または独立に学習された有限分割に対して、少なくとも1-アルファ−デルタ_w−タウ_A−カッパをカバーし、タウ_Aはセル内共変量ミスマッチ、カッパは条件シフトを測定する。 線形終点規則は、O(G|Y|)時間におけるロバスト結合を計算する。 CS-WCPは平均2進数1.74と1.65では、ソースコンフォメーション予測の0.954と44の障害に対して平均0.973に到達した。 336個の自然なクロスタスク転送では、カバレッジは0.882から0.962まで上昇するが、平均セットサイズは1.87に達し、サイズにマッチしたグループプラグインベースラインが競合する。 この方法は、不確実な混合重みの下で監査可能なカバーガードを提供する。その価値は、スカラー確率校正や均一に小さいセットではなく、保守的なテール保護である。

関連論文リスト

• Calibration-Preserving Pruning: Compression as a Reliability Contract [6.908972852063454]
  プルーニング規則ではなく、分割された共形予測は、プルーニングモデルが固定されると有限サンプルの限界カバレッジを提供する。 プルーニングは、より小さな有効な予測セットを得るのに十分なスコア幾何学を保てるか? CPP-SparseGPTは15個のデータセット・スパーシティセルにまたがって13個のデータセットを生成し,11。
  論文  参考訳（メタデータ） (2026-08-24T18:31:01Z)
• Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration [20.21455697379946]
  そこで我々は,列車チューンキャリブレート設計の原則としてデカップリング・コンフォーマル最適化(DCO)を提案する。 DCOは、効率指向構造選択のために独立したチューニングスプリットと、最終共形量子化のための新鮮なキャリブレーションスプリットを使用する。 DCOは,PACスタイルのキャリブレーションに対して,平均予測セットサイズや間隔幅を小さくしながら,名目カバレッジレベルを密に追跡する。
  論文  参考訳（メタデータ） (2026-05-18T13:10:21Z)
• Probabilistic Object Detection with Conformal Prediction [2.21658458251407]
  Conformal Prediction (CP) は、有限サンプル被覆保証付き予測セットを構築するための分布自由な方法である。 標準の非スケールCPは入力間で固定幅の予測間隔を生成し、不確かさの予測に不要な幅をもたらす。 IoUは19%,IoUは39%,CPは39%であった。
  論文  参考訳（メタデータ） (2026-05-08T10:23:43Z)
• Weight Clipping for Robust Conformal Inference under Unbounded Covariate Shifts [16.253156035425057]
  密度比推定のための最小二乗重み付け法としてクリッピング最小二乗重み付けを導入する。 WCPに接続すると,CLISFを用いて学習した密度比が,予測される潜伏量に制限があることが判明した。 我々は、共形推論におけるウェイトクリッピングに関する最初の理論的保証を提供する。
  論文  参考訳（メタデータ） (2026-05-03T22:01:19Z)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• ST-BCP: Tightening Coverage Bound for Backward Conformal Prediction via Non-Conformity Score Transformation [18.272247805086284]
  コンフォーマル予測(CP)は、カバレッジ保証付き予測セットを構成する不確実性定量化のための統計フレームワークを提供する。 BCPはこのパラダイムを逆転させ、セットサイズに事前定義された上限を強制し、その結果のカバレッジ保証を推定する。 本稿では,非整合性スコアのデータ依存変換を導入し,カバレッジギャップを狭める新しい方法ST-BCPを紹介する。
  論文  参考訳（メタデータ） (2026-02-02T07:18:35Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
  コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。 我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:41:53Z)
• 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)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。