論文の概要: What "Form'' of Uncertainty Does Conformal Prediction Quantify?

• arxiv url: http://arxiv.org/abs/2610.24510v1
• Date: Sat, 17 Oct 2026 07:08:06 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 11:59:54.443948
• Title: What "Form'' of Uncertainty Does Conformal Prediction Quantify?
• Title（参考訳）: 不確かさの「形式」は、等角予測を定量化するのか?
• Abstract要約: Conformal Prediction (CP) は、分布のないカバレッジ保証付き予測セットを返すポストホックキャリブレーション法である。 完全CPと分割CPのセットサイズの違いはベイズ後方分散に直接関係していることが示される。
• 参考スコア（独自算出の注目度）: 74.55046468525228
• License:
• Abstract: Conformal prediction (CP) is a post-hoc calibration method that returns prediction sets with distribution-free coverage guarantees, and the size of the output set is often interpreted as a notion of uncertainty. We show that the difference in set size between full and split CP is directly connected to Bayesian posterior variance, which is the epistemic uncertainty of the model. Essentially, this difference in set size is an aggregation of two opposite effects: (1) better model accuracy and therefore smaller set size achieved by training over extra calibration points, and (2) the "formability" of the model at test point towards every possible label. The latter effect vanishes with stronger models or more calibration data (as epistemic uncertainty is known for that behavior). It turns out that the model's formability itself (without the quantization effect of prediction sets, and through estimating the posterior variance) is a useful tool to quantify the epistemic uncertainty. In our empirical evaluation it performs on par with the state of the art in many setups.
• Abstract（参考訳）: コンフォーマル予測(CP)は、分布のないカバレッジ保証付き予測セットを返すポストホック校正法であり、出力セットのサイズは不確実性の概念として解釈されることが多い。 完全CPと分裂CPのセットサイズの違いはベイズ後部分散に直接関係していることが示され、これはモデルの疫学的な不確実性である。 基本的に、このセットサイズの違いは、(1)モデル精度が向上し、従って余分なキャリブレーション点のトレーニングによって達成されるより小さいセットサイズ、(2)テストポイントにおけるモデルのあらゆる可能なラベルに対する「成形性」の2つの逆効果の集合である。 後者の効果は、より強いモデルまたはそれ以上のキャリブレーションデータによって消滅する(その振舞いでエピステマティックな不確実性が知られている)。 モデルの構成可能性自体が(予測セットの量子化効果を伴わず、後部分散を推定することによって)、てんかんの不確実性を定量化するのに有用なツールであることが判明した。 経験的評価では、多くの設定で最先端と同等に動作します。

関連論文リスト

• Compressed Models are NOT Trust-equivalent to Their Large Counterparts [0.8124699127636158]
  大規模なディープラーニングモデルは、リソース制約のある環境にデプロイする前に圧縮されることが多い。 圧縮モデルの予測は、オリジナルの大モデルの予測を信頼するのと同じように信頼できますか? 本稿では,信頼等価性評価のための2次元フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T05:49:39Z)
• Measuring Informativeness Gap of (Mis)Calibrated Predictors [15.651406777700517]
  多くのアプリケーションでは、意思決定者は複数の予測モデルを選択しなければならない。 我々のフレームワークは, 誤校正された予測器と校正された予測器を比較する, U-Calibration [KLST-23] と Decision Loss [HW-24] を厳密に一般化する。 第2の貢献は、情報化のギャップを二重に特徴づけることであり、これは自然な情報化の尺度を生み出します。
  論文  参考訳（メタデータ） (2025-07-16T10:01:22Z)
• 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)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• Calibration of Model Uncertainty for Dropout Variational Inference [1.8065361710947976]
  本稿では,モデルの不確実性を再検討するために,異なるロジットスケーリング手法を拡張し,変動予測をドロップアウトに拡張する。 実験の結果,ロジットスケーリングはUCEによる誤校正を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2020-06-20T14:12:55Z)
• CRUDE: Calibrating Regression Uncertainty Distributions Empirically [4.552831400384914]
  機械学習における校正された不確実性推定は、自動運転車、医療、天気予報、気候予報など多くの分野において重要である。 本稿では,特定の不確実性分布を仮定しない回帰設定のキャリブレーション手法を提案する: 回帰不確実性分布のキャリブレーション(CRUDE)。 CRUDEは、最先端技術よりも、一貫してシャープで、校正され、正確な不確実性の推定値を示す。
  論文  参考訳（メタデータ） (2020-05-26T03:08:43Z)

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。