論文の概要: Threshold-Aware Conformal Routing

• arxiv url: http://arxiv.org/abs/2610.02487v1
• Date: Thu, 01 Oct 2026 21:03:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.086735
• Title: Threshold-Aware Conformal Routing
• Title（参考訳）: Threshold-Aware Conformal Routing
• Abstract要約: 高忠実度シミュレーションは科学的・工学的設計には不可欠であるが、繰り返し実行するには高価である。 我々は、スカラー量の利息が一定の閾値より上か下かによって決定される決定について検討する。 各入力に対して、その共形間隔がしきい値の片側にあるときにサロゲートを使用し、間隔が交差するときにその入力をシミュレーションにルーティングする。
• 参考スコア（独自算出の注目度）: 17.749775900135507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-fidelity simulations are essential to scientific and engineering design, but can be expensive to run repeatedly. Learned surrogates offer a faster alternative, yet their higher errors may alter downstream decisions. This accuracy-speed tradeoff creates a need to determine whether a surrogate can be used or the full simulator remains necessary. We study decisions determined by whether a scalar quantity of interest lies above or below a fixed threshold. For each input, we use the surrogate when its conformal interval lies entirely on one side of the threshold and route the input to simulation when the interval intersects it. Standard conformal prediction constructs intervals without reference to the downstream decision threshold: even a narrow interval near the threshold can cross it and trigger simulation, whereas a wider interval farther away can remain entirely on one side and require no simulation. We introduce Threshold-Aware Conformal Routing (TACR), which learns an input-dependent scale using a threshold-aware objective that concentrates interval tightness near the decision boundary. Exact split-conformal calibration on held-out data preserves distribution-free marginal coverage, which also upper-bounds the probability of an incorrect threshold decision that is not routed. Across various scientific and engineering datasets, TACR reduces simulator deferrals by 14-75% relative to standard conformal prediction at the same coverage target. Against a variant without threshold-local weighting but with similar predictor accuracy, TACR further reduces deferrals by 10-24% on four datasets. These results show that optimizing interval allocation for routing can reduce simulator calls without weakening the standard conformal guarantee.
• Abstract（参考訳）: 高忠実度シミュレーションは科学的・工学的設計には不可欠であるが、繰り返し実行するには高価である。 学習されたサロゲートはより高速な代替手段を提供するが、より高いエラーは下流の判断を変える可能性がある。 この精度と速度のトレードオフは、サロゲートが使えるかどうかを判断する必要性を生じさせる。 我々は、スカラー量の利息が一定の閾値より上か下かによって決定される決定について検討する。 各入力に対して、その共形間隔がしきい値の一方の側にあるときにサロゲートを使用し、間隔が交差するときにその入力をシミュレーションにルーティングする。 標準共形予測は、下流決定しきい値に言及せずに間隔を構成する:しきい値付近の狭い間隔でさえ、それを横切ることができ、シミュレーションをトリガーすることができるが、より広い間隔は、完全に一方に留まり、シミュレーションを必要としない。 本稿では,閾値認識目標を用いて入力依存尺度を学習するThreshold-Aware Conformal Routing(TACR)を提案する。 ホールトアウトデータにおける特別な分割等角キャリブレーションは、分布のない辺縁被覆を保存し、ルーティングされていない誤った閾値決定の確率を上位にバウンドする。 様々な科学的・工学的なデータセットを通して、TACRはシミュレータの遅延を14-75%削減する。 閾値局所重み付けのない変種に対して、TACRは4つのデータセットで遅延を10-24%削減する。 これらの結果から、ルーティングの間隔割当を最適化することで、標準の整合保証を弱めることなく、シミュレータコールを削減できることが示唆された。

関連論文リスト

• Learning Shortest Paths When Data is Scarce [3.3012620893449465]
  本研究では,プランナーが豊富な合成サンプルにアクセス可能な最短経路問題,限られた実世界の観測,およびリンク間の振る舞いの類似性を推定するエッジ類似性について検討する。 シミュレーションと現実の相違を、類似性グラフ上で滑らかに変化するエッジ固有のバイアスとしてモデル化し、ラプラシアン正規化最小二乗を用いて推定する。 初期実データを持たないコールドスタート設定のために、所定の精度が満たされるまでエッジを適応的に選択するバイアス対応能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-01-07T06:19:04Z)
• Interpretable Multivariate Conformal Prediction with Fast Transductive Standardization [11.505405148959618]
  本稿では,複数の,潜在的に関連する数値出力に対して,厳密な同時予測区間を構築するための共形予測手法を提案する。 この方法は、任意のマルチターゲット回帰モデルと組み合わせて、有限サンプルカバレッジを保証する。 中心となる考え方は、出力次元にまたがる残差を直接的に比較する新しいエンフィコーディネートワイド標準化手順である。
  論文  参考訳（メタデータ） (2025-12-17T12:36:00Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• 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)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)
• A general framework for multi-step ahead adaptive conformal heteroscedastic time series forecasting [0.0]
  本稿では,適応アンサンブルバッチ多出力多出力共形量子化回帰(AEnbMIMOCQR)と呼ばれる新しいモデル非依存アルゴリズムを提案する。 これにより、予測者は、固定された特定された誤発見率に対して、分布のない方法で、複数段階の事前予測間隔を生成できる。 本手法は, 整合予測の原理に基づいているが, データの分割は不要であり, データの交換ができない場合でも, ほぼ正確なカバレッジを提供する。
  論文  参考訳（メタデータ） (2022-07-28T16:40:26Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)

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。