論文の概要: Missingness-Aware Conformal Prediction Under Cross-Hospital Distribution Shift

• arxiv url: http://arxiv.org/abs/2609.30781v1
• Date: Fri, 25 Sep 2026 04:04:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.225273
• Title: Missingness-Aware Conformal Prediction Under Cross-Hospital Distribution Shift
• Title（参考訳）: クロスホスピタル分布シフトによる不一致を考慮したコンフォーマル予測
• Abstract要約: 本稿では,クロスホスピタル分布シフト下での死亡予測のための不備を考慮した共形キャリブレーション手法を提案する。 それは、独立したサンプルの測定を選択し、その測定が記録されているかどうかによって患者をグループ化し、各グループにモンドリアン校正を適用する。 プールキャリブレーションとは対照的に、選択したグループの平均最悪のグループカバレッジギャップを6つの設定すべてで削減する。
• 参考スコア（独自算出の注目度）: 0.249477940865956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Clinical measurements are recorded for some patients but not others, at rates that differ across hospitals, and marginal conformal coverage does not ensure coverage within groups defined by missingness. We propose a missingness-aware conformal calibration procedure for mortality prediction under cross-hospital distribution shift. It selects a measurement on an independent sample, groups patients by whether that measurement is recorded, and applies Mondrian calibration within each group, so no calibration outcome is reused. We evaluate the procedure across hospitals in eICU and across care units within one MIMIC-IV hospital, using three predictors. Relative to pooled calibration, it reduces the average worst-group coverage gap on its selected groups in all six settings, with a median reduction of 1.9 percentage points; paired site-bootstrap intervals exclude zero in five. These gains do not extend uniformly. Calibration by predicted risk achieves smaller gaps on a broader panel of missingness groups, and when eICU hospitals are evaluated separately, the gain shrinks for all three predictors and reverses in sign for one. We explain this discrepancy with a hospital-level decomposition. Pooling reweights hospitals through a covariance between group shares and coverage errors, and lets errors of opposite sign cancel: weighting explains the reversal, and cancellation accounts for most of the attenuation for the other two predictors. Constructed population distributions show that pooled and within-hospital evaluations can rank calibration methods oppositely even without sampling noise. Pooled improvement alone therefore cannot establish better coverage within hospitals, even when the calibration groups are fixed.
• Abstract（参考訳）: 臨床検査は一部の患者で記録されているが、他の患者ではなく、病院によって異なる割合で記録されている。 本稿では,クロスホスピタル分布シフト下での死亡予測のための不備を考慮した共形キャリブレーション手法を提案する。 独立したサンプルの測定を選択し、その測定が記録されているかどうかによって患者をグループ化し、各グループにモンドリアン校正を適用するので、校正結果は再利用されない。 3つの予測器を用いて,eICUの病院と1つのMIMIC-IV病院内の医療ユニット間での処置の評価を行った。 プールキャリブレーションとは対照的に、選択したグループの平均最悪のグループカバレッジギャップを6つの設定で減らし、中央値の1.9ポイントを減らした。 これらの利得は均一に拡張されない。 リスク予測による校正は, より広範囲の欠落群において, ギャップを狭くし, eICU 病院を別々に評価すると, 3 つの予測群すべてで利得が減少し, 1 の符号が逆転する。 この相違を病院レベルでの分解で説明する。 ポーリングは、グループシェアとカバレッジエラーの共分散を通じて病院をリウェイトさせ、反対のサインキャンセルのエラーを許容する。 構成された人口分布から,プールおよびホスピタル内評価は,サンプリングノイズを伴わずとも,逆のキャリブレーション法をランク付けできることが示された。 したがって, 校正群が固定された場合でも, 病院内でのカバー範囲の確保は不可能である。

関連論文リスト

• When Is a Conformal Guarantee Fair? Auditing Silent Subgroup Under-Coverage in Alzheimer's Disease Longitudinal Prediction [3.8892887527569857]
  本稿では,サブグループアンダーカバーの監査と修復のための一般的なメカニズム駆動フレームワークを提案する。 その結果, 人口レベルのバンドは, 有意な限界範囲のカバレッジを達成できたにもかかわらず, 68の組み合わせのうち57のハイリスク・サブグループを覆い隠していることがわかった。 我々は,各機構を対応する共形補正と組み合わせる:延性に対するクロスコンフォーマルプーリング,尾部重度に対するサブグループごとのキャリブレーション,カバーセーフな縁床。
  論文  参考訳（メタデータ） (2026-08-04T22:20:44Z)
• When Calibration Fails the Vulnerable Hospital: Federated Conformal Risk Control via Risk-Curve Shrinkage [0.0]
  コンフォーマルリスク制御(CRC)は、セグメンテーション品質の分布自由保証を提供する。 フェデレートされたデプロイメントでは、標準的なアプローチは、サイト間でキャリブレーションスコアを単一のしきい値にプールする。 この単純プール型CRCは平均的な病院を保護しているが、個々の施設の40%はカバー範囲に違反している。
  論文  参考訳（メタデータ） (2026-06-18T11:39:44Z)
• Adaptive Uncertainty Quantification for Generative AI [0.0]
  分割コンフォーマルな推論を反映して、整合性のスコアを校正するブラックボックスアルゴリズムのラッパーを設計する。 校正セット上の適合点に頑健な回帰木を嵌合させることにより適応的分割を実現する。 従来のスプリット・コンフォーマルな推論とは異なり、適応的な分割とグループ内キャリブレーションは、局所的に拡張および縮小できる適応バンドをもたらす。
  論文  参考訳（メタデータ） (2024-08-16T19:37:33Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
  本研究の目的は、希少な疾患を患っているk人の集団を同定することである。 個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
  論文  参考訳（メタデータ） (2022-06-15T16:38:50Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• 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)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。