論文の概要: Conformal Prediction with Stable Measurement Mechanisms
- arxiv url: http://arxiv.org/abs/2610.34204v1
- Date: Sun, 25 Oct 2026 10:45:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.558055
- Title: Conformal Prediction with Stable Measurement Mechanisms
- Title（参考訳）: 安定測定機構を用いたコンフォーマル予測
- Abstract要約: 空気品質モニタリングのような応用では、安価なセンサー読み取りは別の基準計で測定された汚染物質濃度を予測するのに役立つ。
本研究は,情報源データから参照結果が得られる場合に,共形予測間隔を新しい人口に適応させる方法について検討する。
- 参考スコア（独自算出の注目度）: 0.6599344783327052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In applications such as air-quality monitoring, inexpensive sensor readings can help predict pollutant concentrations measured by a separate reference instrument. We study how to adapt conformal prediction intervals to a new population when reference outcomes are available in the source data, but only sensor readings and context, such as weather conditions, are available in the target. We assume that the measurement distribution at a given outcome and context remains stable, while context frequencies and outcome distributions may change. This model is a particular form of causal mechanism shift. Its statistical restriction has been studied as sparse joint shift. Using established marginal matching, predictive adjustment, and weighted conformal calibration, we examine what this restriction contributes to coverage and interval length for continuous outcomes. Gaussian analyses show how measurement stability can identify outcome changes and how retaining context can shorten prediction intervals. For Gaussian models with known source mechanisms, we derive exact coverage formulas in the large-calibration limit while keeping the unlabeled target sample finite. These formulas explain when sharing a correction across contexts is preferable to fitting separate corrections, and why estimating outcome variability is particularly sensitive to weakly informative measurements. Experiments on synthetic Gaussian data show a coverage gain over covariate weighting at the same mean length and a length reduction of about $8\%$ relative to pooled label adjustment at comparable coverage. On the Air Quality dataset, controlled shifts yield coverage gains with longer intervals, while spring-to-autumn and year-over-year transfers show substantial undercoverage.
- Abstract（参考訳）: 空気品質モニタリングのような応用では、安価なセンサー読み取りは別の基準計で測定された汚染物質濃度を予測するのに役立つ。
本研究は,基準結果が得られた場合のコンフォーマルな予測間隔を新たな人口に適応させる方法について検討するが,天気条件などのセンサ読み取りやコンテキストのみを対象とする。
結果と文脈における測定分布は安定であり、文脈周波数と結果分布は変化しうると仮定する。
このモデルは、因果メカニズムシフトの特定の形態である。
その統計的制限はスパースジョイントシフトとして研究されている。
確立された限界マッチング,予測調整,および重み付き等角校正を用いて,この制限が連続的な結果のカバレッジと間隔長にどのような影響を及ぼすかを検討する。
ガウス解析は、測定安定性が結果の変化をいかに識別するか、コンテキストの保持が予測間隔を短縮するかを示す。
ガウスモデルに対して、未ラベルの対象標本を有限に保ちながら、大校正限界における正確なカバレッジ公式を導出する。
これらの公式は、コンテキスト間で補正を共有することが、別々の補正を適合させるのに好ましい場合と、結果の変動を推定することが、弱い情報的測定に特に敏感である理由を説明する。
合成ガウスデータを用いた実験では、同じ平均長での共変量重み付けよりもカバレッジが増加し、同等のカバレッジでのプールラベル調整と比較して約8\%のコスト削減が達成された。
大気質のデータセットでは、制御されたシフトは長い間隔でカバー範囲を拡大する一方、春から秋にかけての移動と年々の移動は重大な潜伏を示す。
関連論文リスト
- Causal Robustness from Synthetic Environments [5.763453235526434]
堅牢な予測のための因果性指向の手法は通常、観測された環境全体にわたって不均一性を使用する。
本研究では, 構造的付加雑音機構により, 双方を一つの分布から復元可能であることを示す。
論文 参考訳（メタデータ） (2026-10-19T12:10:11Z) - What "Form'' of Uncertainty Does Conformal Prediction Quantify? [74.55046468525228]
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。
論文 参考訳（メタデータ） (2026-10-17T07:08:06Z) - Finite-Sample Approximation of Hessian-Guided Perturbed Wasserstein Gradient Flows [52.91692927889604]
累積曲率の明示的条件を満たす基準経路に対する高確率事象に対する目標値追跡境界を証明した。
また、分散余剰コサインモデル回復の条件を検証した結果、確率の増大が保証される。
論文 参考訳（メタデータ） (2026-10-07T15:13:56Z) - Conformal Prediction for Spatially Dependent Data via Sequential Whitening [0.0]
分割共形予測は、保留データ(校正データ)の予測誤差を使用して、予測間隔の幅を決定する。
シミュレーションデータにおいて,本手法は,グローバルおよびローカライズド・オブ・ザ・アーティファクトの代替手段よりも狭く,より安定な間隔を生成する。
全国的なPM2.5アプリケーションでは、ネットワーク内でより狭い間隔を発生し、カバレッジ障害のリスクのある領域を特定する。
論文 参考訳（メタデータ） (2026-10-07T14:44:21Z) - How Synthetic Labels Improve Conformal Prediction: A Perspective on Conditional Coverage [7.273442425568326]
本研究は,少量の信頼性サンプルしか得られない場合に,合成ラベルが条件付きカバレッジを向上させることができるかどうかを考察する。
合成ラベル付きプールがピンボールリスクを推定し、ペアの信頼と合成の結果がそのバイアスを補正し、独立した信頼された分割が最終的な適合化を行う。
論文 参考訳（メタデータ） (2026-09-27T11:47:29Z) - Conformal Prediction under Exponential-Tilt Joint Shift [0.6599344783327052]
コンフォーマルな予測は、データ配布がデプロイ後に変化すると、カバレッジを失う可能性がある。
ラベル付きソースデータとラベルなしターゲット入力を用いて適応性を検討する。
共形キャリブレーションにおける推定重量と, 震源予測分布の傾きの比較を行った。
論文 参考訳（メタデータ） (2026-09-25T06:49:27Z) - PICPIs: Prediction-Interval-Conditional Prediction Intervals [47.78682744724085]
PICPI(Predict-Interval-Conditional Prediction Intervals)と呼ばれる予測ベースの条件付きフレームワークを提案する。
確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。
論文 参考訳（メタデータ） (2026-09-21T20:29:47Z) - 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) - Parametric and Multivariate Uncertainty Calibration for Regression and
Object Detection [4.630093015127541]
一般的な検出モデルでは,観測誤差と比較して空間的不確かさが過大評価されている。
実験の結果, 簡便な等速回帰補正法は, 良好な校正不確実性を実現するのに十分であることがわかった。
対照的に、後続のプロセスに正規分布が必要な場合、GP-Normal再校正法が最良の結果をもたらす。
論文 参考訳（メタデータ） (2022-07-04T08:00:20Z) - 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) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z)
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。