論文の概要: Conformal Prediction under Exponential-Tilt Joint Shift

• arxiv url: http://arxiv.org/abs/2609.30886v1
• Date: Fri, 25 Sep 2026 06:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.261587
• Title: Conformal Prediction under Exponential-Tilt Joint Shift
• Title（参考訳）: インポンシブ・ティルト・ジョイントシフト時のコンフォーマル予測
• Abstract要約: コンフォーマルな予測は、データ配布がデプロイ後に変化すると、カバレッジを失う可能性がある。 ラベル付きソースデータとラベルなしターゲット入力を用いて適応性を検討する。 共形キャリブレーションにおける推定重量と, 震源予測分布の傾きの比較を行った。
• 参考スコア（独自算出の注目度）: 0.6599344783327052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction can lose coverage when the data distribution changes after deployment. We study adaptation using labeled source data and unlabeled target inputs, allowing both the input distribution and its relationship with outcomes to change. We use Exponential Tilt Reweighting Alignment (ExTRA), introduced for classification by Maity et al. (2023), to estimate structured distribution shifts. We compare using its estimated weights in conformal calibration with additionally tilting the source predictive distribution. Shared learned predictors, estimated weights, calibration samples, and test observations isolate the effect of tilting. Existing theory gives both procedures target coverage with true weights and a common coverage bound with estimated weights. Identification calculations and an analysis of how scoring interacts with weight estimation error help explain why their performance can nevertheless differ. In a synthetic regression setting where the assumed models match the data-generating process and target inputs are informative about the shift, tilting reduces mean set length by about $30\%$ relative to weighting alone, with both methods attaining coverage near nominal. Tilting can instead cause substantial coverage losses in synthetic classification and in regression when target inputs provide little information about the response shift. Real-data experiments also show no consistent benefit. Good coverage from weighted calibration alone does not ensure that adding predictive tilting will preserve coverage. Deciding when to apply this additional adjustment using only source labels and target inputs remains an open problem.
• Abstract（参考訳）: コンフォーマルな予測は、データ配布がデプロイ後に変化すると、カバレッジを失う可能性がある。 ラベル付きソースデータとラベルなしターゲット入力を用いて適応を学習し、入力分布と結果との関係を変更できるようにした。 We use Exponential Tilt Reweighting Alignment (ExTRA), introduced for classification by Maity et al (2023), to estimated structured distribution shifts。 共形キャリブレーションにおける推定重量と, 震源予測分布の傾きの比較を行った。 共有学習予測器、推定重量、校正サンプル、および試験観察により、傾きの影響が明らかになった。 既存の理論では、両方の手順が真の重みを持つ対象範囲と、推定重みに縛られる共通のカバレッジを与える。 同定計算と、スコアリングが重み推定誤差とどのように相互作用するかの分析は、なぜそれらの性能が異なるのかを説明するのに役立つ。 推定されたモデルがデータ生成プロセスと一致し、目標入力がシフトに情報を与える合成回帰設定では、傾きは重みのみに対して平均セット長を約30 %削減し、どちらの手法も名目に近い範囲に到達する。 ティルティングは代わりに、合成分類や、ターゲット入力が応答シフトに関する情報をほとんど提供しない場合の回帰において、かなりのカバレッジ損失を引き起こす可能性がある。 実データ実験も一貫したメリットは示さない。 加重キャリブレーションのみによる良好なカバレッジは、予測傾きの追加がカバレッジを維持することを保証しません。 ソースラベルとターゲット入力のみを使用して、この追加調整をいつ適用するかは、未解決の問題である。

関連論文リスト

• Split Conformal Prediction with Label-Shift-Adjusted Bayesian Scores [2.2400646874013037]
  ラベルシフトの下では、標準のコンフォメーションプロシージャは、もはや意図したカバレッジ動作を保持しない。 後続の予測単位から導かれる非整合性スコアであるemphLabel-Shift-Adjusted Bayesian Score (LSAスコア)を提案する。 LSAスコアは、残留基およびソース基のベイズスコアよりも短い間隔で出力する。
  論文  参考訳（メタデータ） (2026-09-11T03:06:31Z)
• Anytime-Valid Confirmation of Label-Shift Corrections [0.6599344783327052]
  小規模の科学的展開では、ラベル付けされた目標結果が、信頼できるシフト推定には不足している可能性がある。 本研究では,ラベルシフト補正予測とソース予測との観測確率比が条件付きe値であることを示す。
  論文  参考訳（メタデータ） (2026-06-12T02:03:21Z)
• 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)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Nearest Neighbor Sampling for Covariate Shift Adaptation [7.940293148084844]
  重みを推定しない新しい共変量シフト適応法を提案する。 基本的な考え方は、ソースデータセットの$k$-nearestの隣人によってラベル付けされたラベル付けされていないターゲットデータを直接扱うことだ。 実験の結果, 走行時間を大幅に短縮できることがわかった。
  論文  参考訳（メタデータ） (2023-12-15T17:28:09Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。