論文の概要: Backward Conformal Prediction under Covariate Shift

• arxiv url: http://arxiv.org/abs/2610.16048v1
• Date: Mon, 12 Oct 2026 01:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:56:11.385564
• Title: Backward Conformal Prediction under Covariate Shift
• Title（参考訳）: 共変量シフトによる後方コンフォーマル予測
• Abstract要約: 後方共形予測(BCP)は、予測セットのサイズを修正し、その誤発見を推定するが、キャリブレーションとテストデータは交換可能であると仮定する。 BCPの厳密な誤発見報告は、キャリブレーションのミス例に割り当てられた相対的な重みにのみ依存していることを示し、なぜより良いドメインが時に悪化する可能性があるのかを説明する。
• 参考スコア（独自算出の注目度）: 8.393814852438263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Backward conformal prediction (BCP) fixes the size of a prediction set and estimates its miscoverage, but assumes calibration and test data are exchangeable. We extend BCP to covariate shift through importance weighting, preserving its guarantees when the density ratio is known. We show that BCP's tight miscoverage report depends only on the relative weight assigned to missed calibration examples, explaining why a better domain classifier can sometimes produce a worse estimate. Motivated by the fact that BCP depends only on nonconformity scores, we propose estimating density ratios on sorted score vectors rather than high-dimensional inputs. We prove that this approach recovers the same report asymptotically under an interpretable condition and characterize the resulting bias otherwise. Experiments with simulated and benchmark distribution shifts show that the proposed method improves BCP's miscoverage estimates, while score-based weighting consistently yields more accurate estimates than embedding-based weighting.
• Abstract（参考訳）: 後方共形予測(BCP)は、予測セットのサイズを修正し、その誤発見を推定するが、キャリブレーションとテストデータは交換可能であると仮定する。 我々はBCPを重み付けによって共変させるように拡張し、密度比が分かっているときにその保証を保存する。 BCPの厳密な誤発見報告は、キャリブレーションのミス例に割り当てられた相対的な重みにのみ依存していることを示し、なぜより良いドメイン分類器がより悪い評価を下すのかを説明する。 BCPが非整合性スコアのみに依存するという事実により、高次元入力よりもソートされたスコアベクトルの密度比を推定することを提案する。 本手法は, 解釈可能な条件下で漸近的に同じ報告を復元し, 結果の偏りを特徴付ける。 シミュレーションおよびベンチマーク分布シフトを用いた実験により,提案手法はBCPの誤発見推定を改善する一方,スコアベース重み付けは埋め込みベース重み付けよりも精度の高い推定値が得られることが示された。

関連論文リスト

• Robust Bayes-Assisted Conformal Prediction [0.9558392439655014]
  ベイズ支援型共形予測は、ベイズモデリングの強みと、正確に分布のない頻繁なカバレッジ保証を組み合わせる。 頑健な非整合性スコアを構築するためのベイズ支援フレームワークRoBAS(Robust Bayes-Assisted Shrinkage:Robust Bayes-Assisted Shrinkage)を紹介する。
  論文  参考訳（メタデータ） (2026-07-05T11:26:37Z)
• Weight Clipping for Robust Conformal Inference under Unbounded Covariate Shifts [16.253156035425057]
  密度比推定のための最小二乗重み付け法としてクリッピング最小二乗重み付けを導入する。 WCPに接続すると,CLISFを用いて学習した密度比が,予測される潜伏量に制限があることが判明した。 我々は、共形推論におけるウェイトクリッピングに関する最初の理論的保証を提供する。
  論文  参考訳（メタデータ） (2026-05-03T22:01:19Z)
• WQLCP: Weighted Adaptive Conformal Prediction for Robust Uncertainty Quantification Under Distribution Shifts [4.192712667327956]
  本稿では,変分オートエンコーダ(VAE)から得られた復元損失を,スコア関数をスケールする不確実性指標として紹介する。 重み付き交換可能性の概念を取り入れてRL SCPを改良した量子損失スケールコンフォーマル予測(WQLCP)を提案する。
  論文  参考訳（メタデータ） (2025-05-26T07:00:15Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Normalizing Flows for Conformal Regression [0.0]
  Conformal Prediction (CP)アルゴリズムは、ラベル付きデータに基づいて出力を校正することで予測モデルの不確実性を推定する。 キャリブレーション過程をトレーニングすることで、間隔をローカライズする一般的なスキームを提案する。 PapadopoulosらによるError Reweighting CPアルゴリズム(2008年)とは異なり、このフレームワークは名目と経験的条件の妥当性のギャップを推定できる。
  論文  参考訳（メタデータ） (2024-06-05T15:04:28Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)

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。