論文の概要: Sketched Calibration for Conformal Prediction under Covariate Shift
- arxiv url: http://arxiv.org/abs/2610.09208v1
- Date: Tue, 06 Oct 2026 23:09:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.64321
- Title: Sketched Calibration for Conformal Prediction under Covariate Shift
- Title（参考訳）: 共変量シフト下における等角予測のためのスケッチ校正法
- Abstract要約: 圧縮共変量$Z=T(X)$の比率で重み付き共形予測を行う。
圧縮はシフト依存のキャリブレーションコストを上昇させず、ターゲットカバレッジは少なくとも1-_T$であり、リークされた$_T$は、破棄されたシフトのどれ程がレスポンスの法則の変化として現れるか、あるいはZ$が与えられたスコアのどれかを測定する。
非重み付けキャリブレーションが失敗するヘテロ代数学シミュレーションにおいて、1次元スケッチは無限の予測集合の分数を切り取る
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Weighted conformal prediction corrects for covariate shift by reweighting calibration scores with the likelihood ratio between target and source covariates. Its cost grows with the chi-square divergence between the two covariate laws, typically exponentially in the size of the shift, and much of it can be paid for shift in directions that do not affect the response. We propose sketched calibration: weighted conformal prediction with the ratio of compressed covariates $Z=T(X)$, used in the weights and optionally in the score. Compression never increases the shift-dependent calibration cost, and target coverage is at least $1-α-Δ_T$, where the leakage $Δ_T$ measures how much of the discarded shift reappears as a change in the law of the response, or of the score, given $Z$. The leakage is a covariance between the discarded shift and the response on the fibres of the sketch; it vanishes when the sketch is sufficient or retains the shift, and a minimax construction shows that no threshold rule for a fixed score can avoid it. In a heteroscedastic simulation where unweighted calibration fails, a one-dimensional sketch cuts the fraction of infinite prediction sets from $37.8\%$ to $8.0\%$ at mean coverage $92.3\%$ for a $90\%$ target; nonlinear and real-data experiments show when learned sketches succeed and when they fail.
- Abstract（参考訳）: 重み付き共変量予測は、目標共変量と震源共変量との確率比で校正値を再重み付けすることで、共変量シフトの補正を行う。
そのコストは、2つの共変量法則(典型的にはシフトのサイズが指数関数的に大きい)間のチ二乗のばらつきによって増大し、その多くは応答に影響を与えない方向のシフトのために支払われる。
圧縮共変量$Z=T(X)$の比率で重み付き共形予測を行う。
圧縮はシフト依存のキャリブレーションコストを増大させず、目標カバレッジは少なくとも1-α-Δ_T$であり、リークされた$Δ_T$は、破棄されたシフトのどれ程が応答の法則の変化として現れるか、あるいはZ$が与えられたスコアのどれかを測定する。
リークは、廃棄されたシフトとスケッチのファイバーに対する応答の共分散であり、スケッチが十分であるか、あるいはシフトを保持するときに消滅し、ミニマックス構成は、固定スコアのしきい値ルールがそれを回避することができないことを示す。
非重み付きキャリブレーションが失敗するヘテロシダスティックシミュレーションにおいて、1次元のスケッチは、無限の予測セットの分画を平均で37.8 %$から8.0 %$に減らし、9.3 %$ターゲットで92.3 %$に減らした。
関連論文リスト
- Detecting a Shift Is Not Enough: Exact Minimax Limits of Linear Representation Repair [7.112382448894557]
2つのデータソース間の平均シフトは簡単に検出できるが、表現を著しく変更することなく削除するのは難しい。
そのようなすべての写像に対して、正確な有限サンプルのミニマックスリスクを$(d-k) mathbbE[1/(d+2J)]$と$JsimmathrmPois(/2)$で導き出す。
平均校正差を投影すると、$やノイズスケールを知らずにそれを達成できる。
論文 参考訳（メタデータ） (2026-10-06T10:03:20Z) - Measuring Collapse and Correction in Homogeneous-Panel LLM Debate [51.03982042769297]
マルチエージェント大言語モデル(LLM)の議論は、最終回答が改善するかどうかによってしばしば評価されるが、運動は必ずしも改善されない。
標準的な最終精度評価は、これらの反対のメカニズムを詳述する。
複数選択質問(MCQ)に関する同質な議論のための監査可能なプロトコルを導入し、各実行を、崩壊、修正、オンセット、署名された介入ユーティリティよりも、遷移台帳として記録する。
論文 参考訳（メタデータ） (2026-09-28T14:31:19Z) - Clipped or Unclipped? Finite-Sample Trade-offs for Averaged SGD under Heavy-Tailed Noise [66.13091490213743]
グラディエントクリッピングはトレーニングを安定させるために広く用いられているが、平均的なSGDの統計的精度を改善する必要はない。
有限条件の$p$-th モーメント,$pge2$ の条件下で, クリッピングおよび非クリッピングのPolyak-Ruppert平均 SGD の比較を導出した。
我々の主な結果は、$p>2$の場合、ガウス項が未開偏差境界を独占する明確な精度と信頼条件を与える。
論文 参考訳（メタデータ） (2026-09-26T21:47:14Z) - Coarsening Latent-Class Probabilities: Directional Distortion and Coverage Loss [1.14219428942199]
結果が、観測されていないクラスメンバーシップの確率ベクトル上でますます後退していることが示される。
定数係数構造平均と条件キャリブレーションの下では、観測データ問題は確率ベクトル上の結果の部分的に線形回帰である。
粗い場合、プラグイン推定器は$mathcalA$に収束し、粗い演算子は$mathcalA$と$u$の廃信号を満たす。
論文 参考訳（メタデータ） (2026-08-12T08:26:33Z) - Exact and Calibrated Diffusion Reconstruction for Digital Breast Tomosynthesis [0.0]
リミテッドアングルデジタル乳房トモシンセシス(DBT)は、狭い弧上のいくつかの低線量プロジェクションから体積を再構成する。
条件付き拡散は、強い知覚品質を達成するが、不正確なデータ一貫性、非局所化幻覚、未校正不確実性の3つの臨床的障害を残している。
これは、有限角再構成のためのデータ一貫性、不確実性の校正された最初の学習的再構成である。
論文 参考訳（メタデータ） (2026-07-14T16:10:10Z) - Conformal Bayes for Two-Sided Censored Gaussian Regression under Label Shift [0.6599344783327052]
ラベルシフトによる予測は、レスポンスが検閲されると非標準となる。
両面の検閲されたガウスモデルでは、L$以下の潜伏値とU$以上の潜伏値が境界値に記録される。
この混合空間設定のための共形ベイズを後部予測傾きと重み付きキャリブレーションを組み合わせることで開発する。
論文 参考訳（メタデータ） (2026-07-02T13:45:24Z) - Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
不変学習は、構造が統計的に識別可能であっても失敗することがある。
ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。
合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
論文 参考訳（メタデータ） (2026-06-11T05:49:43Z) - Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。
鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。
我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
論文 参考訳（メタデータ） (2026-05-21T08:57:38Z) - When Does Margin Clamping Affect Training Variance? Dataset-Dependent Effects in Contrastive Forward-Forward Learning [0.0]
コントラストフォワード(Contrastive Forward-Forward, CFF)学習は、教師付きコントラスト目標に対して、ビジョントランスフォーマーを層別に層状化する。
比較損失における正対辺のマージンは、類似度クランプの飽和により適用される。
対数確率の後にマージンを減じる別の定式化が、平均-上-正の還元の下で勾配ニュートラルであることを証明する。
論文 参考訳（メタデータ） (2026-03-01T07:00:38Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。
以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文 参考訳（メタデータ） (2024-06-04T03:35:25Z)
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。