論文の概要: How Synthetic Labels Improve Conformal Prediction: A Perspective on Conditional Coverage

• arxiv url: http://arxiv.org/abs/2609.33482v1
• Date: Sun, 27 Sep 2026 11:47:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:26:59.74802
• Title: How Synthetic Labels Improve Conformal Prediction: A Perspective on Conditional Coverage
• Title（参考訳）: 合成ラベルによるコンフォーマル予測の改善:条件付き被覆の展望
• Abstract要約: 本研究は,少量の信頼性サンプルしか得られない場合に,合成ラベルが条件付きカバレッジを向上させることができるかどうかを考察する。 合成ラベル付きプールがピンボールリスクを推定し、ペアの信頼と合成の結果がそのバイアスを補正し、独立した信頼された分割が最終的な適合化を行う。
• 参考スコア（独自算出の注目度）: 7.273442425568326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction provides distribution-free finite-sample marginal coverage, but post-hoc calibration data may be too scarce to learn how uncertainty varies across inputs. Meanwhile, abundant covariates can often be labeled cheaply by domain models or general-purpose language models. We study whether these synthetic labels can improve conditional coverage when only a small trusted sample is available. Building on score-quantile regression, we introduce prediction-powered quantile learning: a synthetic-labeled pool estimates pinball risk, paired trusted and synthetic outcomes correct its bias, and an independent trusted split performs final conformalization. Profiling pinball risk over scalar corrections reveals that population conditional-coverage error is its functional gradient; the corresponding Hessian removes global shifts and weights remaining shape error by boundary density. Composing this geometry with prediction-powered learning yields a three-resource expansion and a benefit--cost rule for synthetic power. Across eight regression benchmarks, synthetic-powered quantile learning substantially improves downstream conditional coverage while preserving marginal validity and producing more compact prediction sets. A human-rating study finds similar gains from external LLM labels and exposes a quality--quantity--cost tradeoff.
• Abstract（参考訳）: 等角予測は、分布のない有限サンプルの限界被覆を提供するが、ポストホックキャリブレーションデータは、入力間での不確実性がどのように変化するかを知るには不十分である。 一方、豊富な共変数はしばしばドメインモデルや汎用言語モデルによって安価にラベル付けされる。 本研究は,これらの合成ラベルが,少量の信頼性サンプルしか得られない場合に,条件付きカバレッジを向上させることができるかどうかを考察する。 合成ラベル付きプールがピンボールリスクを推定し、ペア付き信頼と合成の結果がそのバイアスを補正し、独立した信頼分割が最終的な整合を行う。 スカラー補正によるピンボールリスクのプロファイリングは、人口条件被覆誤差が機能勾配であることを明らかにし、対応するヘッセンは、境界密度による大域シフトと形状誤差を除去する。 この幾何学を予測による学習と組み合わせることで、3つのリソース拡張と、合成パワーに対する利益コストのルールが得られる。 8つのレグレッションベンチマークにおいて、合成駆動量子学習は、限界有効性を保ち、よりコンパクトな予測セットを生成するとともに、下流条件のカバレッジを大幅に改善する。 人間の年齢調査では、外部のLCMラベルから同様の利益が得られ、品質-量-コストトレードオフが明らかになる。

関連論文リスト

• A Quiet Failure in Calibrated Virtual Screening: Marginal Conformal Prediction Under-Covers the Minority Class, and a Class-Conditional Fix Recovers It [0.0]
  整形予測は、モデルの信頼性に正直な数字を付けるために、薬物発見に採用されている。 この保証は、不均衡なデータセットでは危険である可能性がある。 我々の貢献は、この既知の共形理論のギャップがいかに深刻で不可視であるかを実際の化学で実証することである。
  論文  参考訳（メタデータ） (2026-07-07T04:31:56Z)
• 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)
• Robust Regression with Adaptive Contamination in Response: Optimal Rates and Computational Barriers [65.58071581164043]
  本研究では, 共変剤を清潔にし, 応答を適応的に劣化させる汚染モデルの下で, 頑健な回帰について検討する。 本研究では,ハマー汚染下で達成可能なものよりも優れた推定率を持つ推定器を構築するために,追加情報を慎重に活用できることを示す。 情報理論の観点からは、ハマーモデルよりも改善されているにもかかわらず、この問題が強い情報計算ギャップを示すという公式な証拠を提供する。
  論文  参考訳（メタデータ） (2026-04-05T19:07:24Z)
• Colorful Pinball: Density-Weighted Quantile Regression for Conditional Guarantee of Conformal Prediction [7.273442425568326]
  我々は、多くの共形法を支える量子レグレッション成分を洗練する。 我々は、結果として生じる過剰なリスクを特徴付ける、正確な非漸近的保証を伴う理論的分析を提供する。 多様な高次元実世界のデータセットの実験では、条件付きカバレッジ性能が著しく改善された。
  論文  参考訳（メタデータ） (2025-12-30T11:02:35Z)
• 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)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Selective Regression Under Fairness Criteria [30.672082160544996]
  少数派集団のパフォーマンスは、カバー範囲を減らしながら低下する場合もある。 満足度基準を満たす特徴を構築できれば、そのような望ましくない行動は避けられることを示す。
  論文  参考訳（メタデータ） (2021-10-28T19:05:12Z)
• On Model Identification and Out-of-Sample Prediction of Principal Component Regression: Applications to Synthetic Controls [20.96904429337912]
  固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。 我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
  論文  参考訳（メタデータ） (2020-10-27T17:07:36Z)

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。