論文の概要: Stochastic Grouping Conformal Prediction for Effective Subgroup Reliability

• arxiv url: http://arxiv.org/abs/2610.11957v1
• Date: Thu, 08 Oct 2026 13:41:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.058504
• Title: Stochastic Grouping Conformal Prediction for Effective Subgroup Reliability
• Title（参考訳）: 有効部分群信頼性のための確率的グループ化等式予測
• Abstract要約: コンフォーマル予測は、分布のないカバレッジを保証するので、臨床応用には魅力的である。 標準適合予測は、そのような保証を人口レベルでのみ提供し、その予測セットは、臨床的に重要なサブグループ間でのカバレッジ格差を示すことができる。 本稿では,サブグループ信頼型不確実性のためのコンフォメーションフレームワークであるGrouping Conformal Prediction (SGCP)を提案する。
• 参考スコア（独自算出の注目度）: 41.79170849805087
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction offers a distribution-free coverage guarantee, making it especially attractive for clinical applications. Standard conformal prediction, however, provides such guarantees only at the population level, and its prediction sets can exhibit coverage disparities across clinically important subgroups. A natural remedy is to calibrate within predefined groups. However, this can require access to sensitive subgroup attributes and is prone to a worst-group bottleneck: protecting the most difficult subgroup can inflate prediction sets for all, increasing cognitive burden on decision makers. To this end, we propose Stochastic Grouping Conformal Prediction (SGCP), a conformal framework for subgroup-reliable uncertainty quantification. It learns a stochastic grouping map that allows each sample to draw calibration information from others with similar calibration behavior, yielding a local score law that boosts reliability across subpopulations. We prove that SGCP retains the standard coverage guarantee. Experiments on synthetic and real-world benchmarks show that it consistently reduces subgroup coverage gaps while achieving smaller or comparable prediction set sizes relative to existing baselines.
• Abstract（参考訳）: コンフォーマル予測は分布のないカバレッジを保証するので、臨床応用には特に魅力的である。 しかし、標準共形予測は、そのような保証を人口レベルでのみ提供し、その予測セットは、臨床的に重要なサブグループ間でのカバレッジ格差を示すことができる。 自然な治療法は、事前に定義されたグループ内で校正することである。 しかし、これはセンシティブなサブグループ属性へのアクセスを必要とし、最悪のグループボトルネックになりがちである。最も難しいサブグループを保護することは、すべての予測セットを膨らませ、意思決定者に対する認知的負担を増大させる。 この目的のために,サブグループ信頼性の不確実性定量化のためのコンフォメーションフレームワークであるSGCP(Stochastic Grouping Conformal Prediction)を提案する。 確率的なグループマップを学習し、各サンプルが同様のキャリブレーション行動で他のサンプルからキャリブレーション情報を引き出せるようにし、サブポレーション間の信頼性を高める局所スコア法則を導出する。 我々は,SGCPが標準カバレッジ保証を維持していることを証明する。 合成および実世界のベンチマークの実験では、既存のベースラインと比較して小さいまたは同等の予測セットサイズを達成しながら、サブグループカバレッジギャップを一貫して減少させる。

関連論文リスト

• Towards Provably Fair Machine Learning: Bayesian Approaches For Consistent and Transparent Predictions [0.0]
  本稿では,部分群予測における一貫性の原理的アルゴリズムを提案する。 我々の分類器は、ベースライン精度を越えながら、構築によってゼロ整合誤差を達成する。 マイノリティの人口層は不均等に小さなサブグループに集中している。
  論文  参考訳（メタデータ） (2026-06-10T19:16:26Z)
• Cluster Frequency Conformal Prediction for Local Coverage [7.5841677529906795]
  コンフォーマル予測は、分布のないカバレッジを保証するが、多くのクラス分類では、特定のクラスやサブポピュレーションを過小評価することもある。 本稿では,共形予測を学習表現空間の局所構造に適応させるプラグインフレームワークであるCluster Frequency Conformal Prediction (CFCP)を提案する。
  論文  参考訳（メタデータ） (2026-05-24T05:27:35Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Posterior Conformal Prediction [11.576645675675096]
  コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。 本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。 社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
  論文  参考訳（メタデータ） (2024-09-29T14:09:07Z)

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。