論文の概要: Transfer Calibrated Prediction Powered Inference

• arxiv url: http://arxiv.org/abs/2609.34156v1
• Date: Mon, 28 Sep 2026 02:34:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 06:23:51.047276
• Title: Transfer Calibrated Prediction Powered Inference
• Title（参考訳）: 伝達校正予測パワード推論
• Abstract要約: 予測駆動推論(PPI)とそのパワーチューニング拡張(PPI++)は、小さなゴールド標準ラベル付きサンプルと大きなAIモデルの予測を組み合わせることで、信頼区間を改善する。 我々は、ソースドメイン予測器を対象領域に適合させるトランスファーキャリブレーション予測パワー推論(TC-PPI)を提案する。
• 参考スコア（独自算出の注目度）: 4.22695457930653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction-powered inference (PPI) and its power-tuned extension (PPI++) improve confidence intervals by combining a small gold-standard labeled sample with a large AI model's predictions. Its efficiency gain relies on low residual variance, which may not hold if the predictor is pre-trained on a different source domain. We propose Transfer Calibrated Prediction-Powered Inference (TC-PPI), adapting the source-domain predictor to the target domain using gold-standard samples through cross-fitting. This approach supports various adaptation methods, such as sparse linear calibration, LoRA, and fine-tuning. Our jointly tuned cross-fit estimator, Joint-TC-Cross-PPI++, maintains unbiasedness and is simultaneously at least as efficient as classical inference, PPI, and PPI++, thereby protecting against negative transfer. We provide high-dimensional MSE bounds for calibration and show empirical improvements over baseline methods across various real-world applications.
• Abstract（参考訳）: 予測駆動推論(PPI)とそのパワーチューニング拡張(PPI++)は、小さなゴールド標準ラベル付きサンプルと大きなAIモデルの予測を組み合わせることで、信頼区間を改善する。 その効率の利得は低い残差に依存するが、予測器が別のソースドメインで事前訓練されている場合は保たない可能性がある。 我々は、ソースドメイン予測器を対象領域に適合させるトランスファーキャリブレーション予測パワー推論(TC-PPI)を提案する。 このアプローチは、疎線形キャリブレーション、LoRA、微調整など、様々な適応手法をサポートする。 我々の共同調整型クロスフィット推定器であるJoint-TC-Cross-PPI++は、偏りを保ち、古典的推論やPPI、PPI++と同等の効率を保ち、負の転送を防ぐ。 キャリブレーションのための高次元MSEバウンダリを提供し、様々な実世界のアプリケーションにまたがるベースライン法よりも経験的改善を示す。

関連論文リスト

• Conformal Bayes under Label Shift: Post-Hoc Calibration vs. In-Training Adaptation [0.6599344783327052]
  我々はラベルシフトの下で共形ベイズを統一的な視点から研究する。 名目的対象領域のカバレッジを復元する2つの補完的アプローチを同定する。 トレーニング中の適応はデバイアス演算子として機能し、一定範囲で間隔幅を小さくする。
  論文  参考訳（メタデータ） (2026-06-10T09:38:48Z)
• Calibeating Prediction-Powered Inference [3.294420397461204]
  そこで本研究では,小さいラベル付きサンプルと大きなラベル付きサンプルと,出力が誤校正される可能性のあるブラックボックス予測モデルを用いて,半教師付き平均推定について検討した。 半教師付き推定に使用する前にラベル付きサンプルの予測スコアをキャリブレーションした後のキャリブレーション予測パワー推論を導入する。 シミュレーションや実データ実験では、推定器はPPIを上回り、AIPWやPPI++と競合する。
  論文  参考訳（メタデータ） (2026-04-23T04:06:08Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Prediction-Powered Adaptive Shrinkage Estimation [0.22917707112773592]
  予測パワー適応収縮(英: Prediction-Powered Adaptive Shrinkage、PAS)は、PPIを実証的なベイズ収縮で橋渡しし、複数の手段の推定を改善する手法である。 PASはML予測の信頼性に適応し、大規模アプリケーションにおいて従来のベースラインと現代的なベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-02-20T00:24:05Z)
• Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
  予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。 我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。 単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2024-06-06T17:37:39Z)
• Multiclass Alignment of Confidence and Certainty for Network Calibration [10.15706847741555]
  最近の研究では、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることが示されている。 予測平均信頼度と予測確実性(MACC)の多クラスアライメントとして知られる簡易なプラグアンドプレイ補助損失を特徴とする列車時キャリブレーション法を提案する。 本手法は,領域内および領域外両方のキャリブレーション性能を実現する。
  論文  参考訳（メタデータ） (2023-09-06T00:56:24Z)
• Variational Refinement for Importance Sampling Using the Forward Kullback-Leibler Divergence [77.06203118175335]
  変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。 重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。 近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
  論文  参考訳（メタデータ） (2021-06-30T11:00:24Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。