論文の概要: Conformal Prediction for Spatially Dependent Data via Sequential Whitening
- arxiv url: http://arxiv.org/abs/2610.10168v1
- Date: Wed, 07 Oct 2026 14:44:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.97413
- Title: Conformal Prediction for Spatially Dependent Data via Sequential Whitening
- Title（参考訳）: 逐次白化による空間依存データの等角予測
- Abstract要約: 分割共形予測は、保留データ(校正データ)の予測誤差を使用して、予測間隔の幅を決定する。
シミュレーションデータにおいて,本手法は,グローバルおよびローカライズド・オブ・ザ・アーティファクトの代替手段よりも狭く,より安定な間隔を生成する。
全国的なPM2.5アプリケーションでは、ネットワーク内でより狭い間隔を発生し、カバレッジ障害のリスクのある領域を特定する。
- 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: Split conformal prediction uses prediction errors on held-out (calibration) data to determine how wide the prediction intervals should be. It guarantees distribution-free finite-sample coverage when these errors and the error at the target site are exchangeable. This assumption may fail under spatial dependence and nonrandom sampling geometry. Existing spatial methods use fitting residuals to remove the predictable part of spatial variation from calibration and target errors. However, the spatial variation that only the calibration residuals can predict remains in both the target and calibration errors, reducing the efficiency and stability of the interval. We address this by additionally conditioning on the calibration residuals sequentially, which scales to large networks through nearest-neighbour approximations. Under a correct working covariance and an elliptical residual law, the resulting interval has exact finite-sample coverage under any spatial design, and under further conditions it is asymptotically oracle efficient. We also bound coverage loss under covariance misspecification and develop a diagnostic that identifies regions at risk of undercoverage. In simulated data, our method produces narrower and more stable intervals than global and localized state-of-the-art alternatives. In a national PM2.5 application, it produces narrower intervals within the network and identifies regions at risk of coverage failure.
- Abstract（参考訳）: 分割共形予測は、保留データ(校正データ)の予測誤差を使用して、予測間隔の幅を決定する。
これは、これらのエラーとターゲットサイトのエラーが交換可能である場合に、分布のない有限サンプルカバレッジを保証する。
この仮定は空間依存と非ランダムサンプリング幾何学の下で失敗する。
既存の空間法では、固定残差を用いて、キャリブレーションとターゲット誤差から空間変動の予測可能な部分を取り除く。
しかし、キャリブレーション残差のみを予測できる空間的変動は、目標誤差とキャリブレーション誤差の両方に残っており、間隔の効率と安定性を低下させる。
ここでは, キャリブレーション残差を逐次調整し, 近接近似を用いて大規模ネットワークにスケールする手法を提案する。
正しい作用共分散と楕円的残留法則の下では、得られる区間は任意の空間設計の下で正確な有限サンプル被覆を持ち、さらなる条件下では漸近的にオラクル効率が良い。
また,共分散ミスセグメンテーションの下でのカバレッジ損失を拘束し,アンダーカバーのリスクのある領域を識別する診断法を開発した。
シミュレーションデータにおいて,本手法は,グローバルおよびローカライズド・オブ・ザ・アーティファクトの代替手段よりも狭く,より安定な間隔を生成する。
全国的なPM2.5アプリケーションでは、ネットワーク内でより狭い間隔を発生し、カバレッジ障害のリスクのある領域を特定する。
関連論文リスト
- PICPIs: Prediction-Interval-Conditional Prediction Intervals [47.78682744724085]
PICPI(Predict-Interval-Conditional Prediction Intervals)と呼ばれる予測ベースの条件付きフレームワークを提案する。
確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。
論文 参考訳（メタデータ） (2026-09-21T20:29:47Z) - Beyond Marginal Validity: Finite-Sample Guarantees for Localized Conformal Prediction [25.59471163637912]
コンフォーマル予測は、有限サンプルで分布のない辺縁被覆を持つ任意のブラックボックス予測子を与える。
我々は、条件付き妥当性とオラクル効率を協調的に制御する実現された局所集合に対して有限サンプル保証を提供する。
スコアがピボットスコアを目標とする場合、均一な局所保証は固定スコアキャリブレーションと均一なスコア推定誤差に分解される。
論文 参考訳（メタデータ） (2026-08-06T15:59:57Z) - Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - Aligning Validation with Deployment: Target-Weighted Cross-Validation for Spatial Prediction [45.94145742195786]
クロスバリデーション(CV)は、独立したテストデータが利用できない場合の予測リスクを推定するために一般的に使用される。
空間予測や構造化データによる他の設定では、この仮定は頻繁に違反され、デプロイメントリスクのバイアスのある見積もりにつながります。
本稿では,検証とデプロイメントタスク分布の相違を考慮に入れた,デプロイメントリスクの推定ツールであるTarget-Weighted CVを提案する。
論文 参考訳（メタデータ） (2026-03-31T16:44:07Z) - Geometry-Aware Uncertainty Quantification via Conformal Prediction on Manifolds [3.2848713528308817]
本研究では, ユークリッド残差を測地的非整合性スコアに置き換え, 異方性雑音に対処するためのクロスバリデード困難度推定器を用いて正規化する枠組みを提案する。
得られた予測領域は、球面上の測地的キャップであり、位置に依存しない領域を持ち、その大きさを局所的な予測困難に適応させ、非適応的な領域よりもはるかに均一な条件付きカバレッジをもたらす。
論文 参考訳（メタデータ） (2026-02-17T21:12:47Z) - Spatial Conformal Inference through Localized Quantile Regression [6.992239210938067]
等角予測はパラメトリックな仮定に頼ることなく有効な予測間隔を提供する。
本研究では,空間データに特化して設計された共形予測法である局所空間整形予測(L SCP)を提案する。
L SCP は既存の手法に比べて非常に厳密で一貫した予測間隔で正確なカバレッジを実現する。
論文 参考訳（メタデータ） (2024-12-02T04:15:06Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Adaptive Conformal Regression with Jackknife+ Rescaled Scores [7.176758110912026]
コンフォーマル回帰は、グローバルなカバレッジ保証を伴う予測間隔を提供するが、しばしば局所的なエラー分布をキャプチャできない。
そこで本研究では,局所的なスコア分布を推定し,コンフォーマルスコアの再スケーリングに基づく新しい適応手法を用いてこの問題に対処する。
提案手法は, 公式なグローバルカバレッジ保証を保証し, キャリブレーションスコアのアフターリバウンドを含む, 局所カバレッジに関する新たな理論的結果によって支持される。
論文 参考訳（メタデータ） (2023-05-31T14:32:26Z) - Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。
また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
論文 参考訳（メタデータ） (2020-08-21T18:43:37Z) - 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。