論文の概要: Finite-sample certification of coverage regret for budgeted document selection under adaptive stratified auditing

• arxiv url: http://arxiv.org/abs/2610.19207v1
• Date: Tue, 13 Oct 2026 21:17:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.812288
• Title: Finite-sample certification of coverage regret for budgeted document selection under adaptive stratified auditing
• Title（参考訳）: 適応的階層化監査における文書選択のための被写体補遺の有限サンプル認証
• Abstract要約: このカバレッジの後悔に対して、有限サンプル、分布自由な高信頼境界を構築します。 パイロットステージは、文書セット、競合をスクリーンし、比較ネットワークを構築し、アノテーションポリシーを学ぶことができる。 シミュレーション研究は、妥当性を確認し、分散キャリブレーションと認定冗長性から得られる利得を定量化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Selecting a budget-constrained set of documentary fragments, for instance the knowledge base of a retrieval-augmented generation system, raises a statistical question: how much expected query coverage is lost relative to the best feasible selection when the query distribution is unknown? We construct finite-sample, distribution-free upper confidence bounds for this coverage regret that remain valid after data-dependent selection. A pilot stage may select the document set, screen competitors, build comparison networks and learn an annotation policy. Then an independent audit acquires relevance labels with probabilities that are constant within observable strata. The main result is a simultaneous bound for all retained coverage contrasts. The bound is made observable by empirical-Bernstein variance calibration or by a one-stage construction without calibration, and it accounts for estimated stratum proportions. For maximum-type coverage we prove variance contractions for swaps of redundant fragments, give a condition under which multiscale radii improve on a direct union bound, and show that such redundancy cannot be certified from samples alone. A simulation study confirms validity and quantifies the gains from variance calibration and certified redundancy.
• Abstract（参考訳）: 例えば、検索強化された生成システムの知識ベースなど、予算制約のある文書断片を選択すれば、クエリの分布が不明な場合に、最も有効な選択に対して、どれだけのクエリカバレッジが失われるのかという統計的疑問が生じる。 データ依存の選択後も有効である、このカバレッジに対する有限サンプル分布自由な上層信頼境界を構築する。 パイロットステージは、文書セット、競合をスクリーンし、比較ネットワークを構築し、アノテーションポリシーを学ぶことができる。 そして、独立監査は、観測可能な成層内で一定となる確率を持つ関連ラベルを取得する。 主な結果は、保持されたすべてのカバレッジコントラストの同時バウンドである。 境界は経験的・ベルンシュタイン分散キャリブレーションまたはキャリブレーションのない一段構成によって観測可能となり、推定された成層比を考慮に入れている。 最大型カバレッジでは、冗長なフラグメントのスワップに対する分散収縮を証明し、直和境界においてマルチスケールラジイが改善する条件を与え、そのような冗長性はサンプルだけでは証明できないことを示す。 シミュレーション研究は、妥当性を確認し、分散キャリブレーションと認定冗長性から得られる利得を定量化する。

関連論文リスト

• EntroPrefill: Renyi-Guided Context Pruning with Conditional Stability Guarantees for Retrieval-Augmented Generation [0.0]
  本稿では,Renyi誘導型提案機構としてEntroPrefillを定式化した。 我々は、混合頭削除封筒、計算可能なトークン除去上界、有限サンプルオブザーバの保証を導出する。 反例は、浅い観測だけで非条件の将来の出力保証を示唆できない理由を示している。
  論文  参考訳（メタデータ） (2026-10-07T09:44:59Z)
• Sharp training-conditional coverage for conformal prediction under covariate shift [0.0]
  重み付き分割共形予測リウェイト 度合による校正スコア キャリブレーションデータに基づくカバレッジ条件について検討する。 2点下界は、ルートmレートとカイ二乗寄与がシフトに固有のものであることを示している。
  論文  参考訳（メタデータ） (2026-09-27T11:08:32Z)
• A distribution-free certification framework for trustworthy crash-severity prediction [1.089614199781423]
  厳密なモデルを修正せずにラップする認証層を開発します。 テキサス州の7つのベースモデルにまたがる520万件の記録では、同層は同一の妥当性を持つ。 フレームワークは定理レベルのテストを備えたオープンソースパッケージとしてリリースされている。
  論文  参考訳（メタデータ） (2026-09-10T14:20:08Z)
• 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)
• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• 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)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• 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)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)

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。