論文の概要: Conformal Prediction under Partial Verification

• arxiv url: http://arxiv.org/abs/2610.10829v1
• Date: Wed, 07 Oct 2026 19:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.643205
• Title: Conformal Prediction under Partial Verification
• Title（参考訳）: 部分的検証によるコンフォーマル予測
• Abstract要約: 完全検証と全く同じ予測セットを返す部分検証法を開発した。 キャリブレーションの検証を一度に行う場合と比較して,検証コストを15～82%削減する。
• 参考スコア（独自算出の注目度）: 8.024041325202612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal prediction provides prediction sets with finite-sample guarantees, but the label verification required for calibration can be expensive. We develop a partial verification method that returns exactly the same prediction sets as complete verification. We characterize calibration certificates, the verified information sufficient to determine the conformal threshold, and design a procedure that coordinates verification across calibration examples. For finite thresholds at high coverage, its verification cost is less than twice the minimum certificate cost when candidates are checked in order. Across retrieval, mathematical solutions, and configuration evaluation, it reduces verification cost by 15-82% compared with verifying calibration examples one at a time, while producing identical prediction sets.
• Abstract（参考訳）: 等角予測は有限サンプル保証付き予測セットを提供するが、校正に必要なラベル検証は高価である。 完全検証と全く同じ予測セットを返す部分検証法を開発した。 校正証明書, 整合しきい値を決定するのに十分な検証情報を特徴付けるとともに, 校正事例間で検証を調整する手順を設計する。 高カバレッジの有限しきい値の場合、その検証コストは、候補を順番にチェックした場合の最低証明コストの2倍以下である。 検索,数学的解法,構成評価を通じて,検証コストを1回に1回の校正例と比較して15～82%削減し,同一の予測セットを生成する。

関連論文リスト

• How to Estimate Whether You Have Found Several Needles in a Haystack: Measuring Calibration in Multi-Label Text Classification [79.91711484993074]
  ほとんどの信頼性キャリブレーション指標はバイナリやマルチクラスのタスクを対象としていますが、マルチラベルキャリブレーションは未検討のままです。 ラベルに期待されるキャリブレーション誤差を計算するための既存のバイナリスキームは、誤りを過小評価するか、単にラベル周波数を反映するか、あるいは非常に少ないインスタンスで多くのビンに悩まされているかを示す。 本稿では,正と負のラベルの割り当てに等しい重みを与える新しいビンニング手法を提案する。
  論文  参考訳（メタデータ） (2026-09-22T14:15:54Z)
• Bet on Features: Anytime-Valid and Feature-Aware Auditing of Conditional Quantile Forecasters [4.458834881246723]
  ブラックボックス条件量子予測は、非対称コストの下でのシーケンシャルな決定に広く用いられている。 フォアキャスターは、より豊かな情報を持つ監査役に誤診されたまま、粗い情報を持つ監査役に目を向けることができる。 非損失のブラックボックス条件付き量子化予測器を継続的に監査するための分布自由ゲーム理論テストフレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T15:04:24Z)
• When Can We Reuse a Calibration Set for Multiple Conformal Predictions? [0.0]
  我々は,e-conformal predictionとHoeffdingの不等式が組み合わさって,単一校正集合の繰り返し使用を可能にすることを示す。 我々は、ディープニューラルネットワークをトレーニングし、キャリブレーションセットを使用して、Hoeffdingの補正を推定する。 この補正により、修正マルコフの不等式を適用することができ、定量化された信頼度を持つ予測セットを構築することができる。
  論文  参考訳（メタデータ） (2025-06-24T14:57:25Z)
• Adaptive Set-Mass Calibration with Conformal Prediction [60.47079469141295]
  提案手法は,まず共形予測から始まり,所望のカバレッジを与えるラベルの集合を得る。 次に、共形制約に合わせて、質量正規化と温度スケーリングに基づくルールの2つの簡単なポストホックキャリブレータをインスタンス化する。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)

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。