論文の概要: Sample-Efficient Generative Conformal Prediction

• arxiv url: http://arxiv.org/abs/2610.11349v1
• Date: Thu, 08 Oct 2026 06:44:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.83997
• Title: Sample-Efficient Generative Conformal Prediction
• Title（参考訳）: サンプル効率の良い生成等角予測
• Abstract要約: 生成共形予測は条件生成器のサンプルから不確実性セットを構築する。 既存の手法では、各入力で同じ数のサンプルを描画し、応答分布が単純で、複雑なところでアンダーサンプリングされるサンプルを浪費する。 本稿では,追加サンプルの限界値を特徴付けるCASAを提案し,期待値のサイズを最小化するために,入力全体にわたってサンプルを割り当てる。
• 参考スコア（独自算出の注目度）: 7.1603511160472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative conformal prediction builds uncertainty sets from samples of a conditional generator, which are efficient only when the samples represent the response distribution well. This can require many samples, each of which can be costly, as in large diffusion models and scientific simulators, so the sampling budget must be used efficiently. Existing methods draw the same number of samples at every input, wasting samples where the response distribution is simple and undersampling where it is complex, which inflates sets and leaves those inputs under-covered. We propose CASA (Conformal Adaptive Sample Allocation), which characterizes the marginal value of an additional sample and allocates samples across inputs to minimize the expected set size subject to marginal coverage and an average sampling budget. Theoretical analysis shows that adaptive allocation yields smaller sets than a fixed count at the same budget: a missed mode forces a radius that spans the gap between modes, and even oracle radius cannot compensate for it. On synthetic and real tasks, CASA produces substantially smaller sets at the same budget, often improves conditional coverage, and complements existing radius-adaptive methods.
• Abstract（参考訳）: 生成共形予測は条件生成器のサンプルから不確実性集合を構築するが、これはサンプルが応答分布をうまく表す場合にのみ効率的である。 これは多くのサンプルを必要とし、大きな拡散モデルや科学シミュレータのように費用がかかるため、サンプリング予算を効率的に使わなければならない。 既存の方法は、各入力で同じ数のサンプルを描画し、応答分布が単純で複雑なサンプルをアンダーサンプリングし、セットを膨らませ、それらの入力をアンダーカバーしたままにしておく。 CASA(Conformal Adaptive Sample Allocation, 適応型サンプル割当)は, サンプルの余分な値を特徴付け, サンプルを入力全体にわたって割り当てて, 限界カバレッジと平均サンプリング予算を最小化する。 理論的な分析によれば、アダプティブアロケーションは同じ予算で固定数よりも小さいセットが得られる。 合成タスクと実タスクでは、CASAは同じ予算でかなり小さなセットを生成し、条件付きカバレッジを改善し、既存の半径適応法を補完する。

関連論文リスト

• Self-Balancing Sequential Sampling: Fast Convergence with Controlled Predictability [0.7734726150561088]
  所望の目標法則への経験分布のより高速な収束を達成するために、サンプリング確率を適応的にバイアスするシーケンシャルサンプリング規則。 自己バランス型サンプリングは実装が簡単であり、マルコフ型サンプリングのクラスの中で自然に発生する。 結果は、将来の選択を過度に予測できるようにすることなく、繰り返しの選択とカバレッジの長いギャップを減らすための実践的なフレームワークをサポートする。
  論文  参考訳（メタデータ） (2026-07-23T01:10:42Z)
• UnpredictaBench: A Benchmark for Evaluating Distributional Randomness in LLMs [21.05820098186702]
  我々はUnpredictaBenchを紹介した。これは、大きな言語モデルが真の基礎となる分布をキャプチャする能力をテストする評価である。 単純な分布シミュレーションでさえも困難であり、複雑なシステムのスタンドインとしてLLMを使用するための第一歩となる。
  論文  参考訳（メタデータ） (2026-06-04T18:18:02Z)
• Optimal Prediction-Augmented Algorithms for Testing Independence of Distributions [4.200594864147057]
  複数の確率変数に対して$p$の独立性をテストする問題に対処する。 補助的だが信頼できない、予測可能な情報を組み込んだテスタを設計します。 我々のフレームワークは、予測の品質に関わらず、テスターが堅牢で、最悪のケースの妥当性を維持することを保証します。
  論文  参考訳（メタデータ） (2026-03-04T21:55:08Z)
• Wedge Sampling: Efficient Tensor Completion with Nearly-Linear Sample Complexity [9.42598427201735]
  低ランクテンソル補完のための新しい非適応サンプリングスキームであるウェッジサンプリングを導入する。 次数$kの低ランクテンソルの次元$n倍の倍数n$を、そのエントリのサブセットから復元する。
  論文  参考訳（メタデータ） (2026-02-05T16:47:13Z)
• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  一般のスコアミスマッチ拡散サンプリング器に対する明示的な次元依存性を持つ最初の性能保証を示す。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Optimal Budgeted Rejection Sampling for Generative Models [54.050498411883495]
  判別器を用いた生成モデルの性能向上のために, 還元サンプリング法が提案されている。 提案手法は,まず,最適に最適である最適予算削減サンプリング方式を提案する。 第2に,モデル全体の性能を高めるために,サンプリング方式をトレーニング手順に組み込んだエンドツーエンド手法を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:52:41Z)
• Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
  本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。 各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。 第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-02-18T09:24:15Z)
• Sampling from Discrete Energy-Based Models with Quality/Efficiency Trade-offs [3.491202838583993]
  エネルギーベースモデル(EBM)は、確率分布の非常に柔軟な仕様を可能にする。 これらの分布から正確なサンプルを得るためのメカニズムは提供されていない。 そこで本研究では,サンプリング効率とサンプリング品質のトレードオフを可能にする,新しい近似サンプリング手法であるQuasi Rejection Smpling (QRS)を提案する。
  論文  参考訳（メタデータ） (2021-12-10T17:51:37Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)

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。