論文の概要: Macro Mondrian Conformal Risk Control

• arxiv url: http://arxiv.org/abs/2610.35035v1
• Date: Mon, 26 Oct 2026 08:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.798953
• Title: Macro Mondrian Conformal Risk Control
• Title（参考訳）: マクロモンドリアンコンフォーマルリスク制御
• Abstract要約: Conformal Risk Control (CRC) は、一般的なモノトン損失関数を制御するために、カバー設定を超えてコンフォメーション予測を拡張する。 CRCは限界制御のみを保証し、つまりリスクはデータ分散よりも平均的に制御される。 本稿では,ドメインのユーザ定義グループに対して平均的なリスクを制御する手法を提案する。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conformal Risk Control (CRC) extends conformal prediction beyond the coverage setting to the control of general monotone loss functions, in a distribution-free and modelagnostic fashion. This makes it well-suited to problems with high-dimensional targets, such as the semantic segmentation task addressed in this work. However, CRC guarantees only marginal control, meaning that the risk is controlled on average over the data distribution. Under imbalanced distributions, the risk on inputs that contain rare objects may therefore remain uncontrolled, even when the marginal guarantee holds. We propose a new method that controls the risk on average over user-defined groups of the domain, drawing on Mondrian conformal prediction and macro-coverage algorithms. The method relies on a taxonomy, that is, a function that assigns a group to each data point, and reweights each point's risk by a coefficient that depends on its group probability, so that rare points contribute more than common ones. We illustrate the approach on two semantic segmentation datasets.
• Abstract（参考訳）: コンフォーマルリスク制御 (CRC) は, 一般単調損失関数の制御に対して, 分布のない, モデルに依存しない方法で, カバーセットを超えてコンフォーマル予測を拡張した。 これにより、この作業で対処されるセマンティックセグメンテーションタスクのような高次元ターゲットの問題によく適合する。 しかし、CRCは限界制御のみを保証しているため、リスクはデータ分布よりも平均的に制御される。 不均衡な分布の下では、希少なオブジェクトを含む入力に対するリスクは、限界保証が保持されている場合でも制御されない可能性がある。 本稿では,モンドリアン整合予測とマクロ被覆アルゴリズムに基づいて,ドメインのユーザ定義グループに対する平均的リスクを制御する手法を提案する。 この方法は分類学、すなわち、各データポイントにグループを割り当て、そのグループの確率に依存する係数によって各点のリスクを再重み付けする関数に依存し、稀な点が一般的なものよりも多く寄与する。 本稿では,2つのセマンティックセグメンテーションデータセットについて述べる。

関連論文リスト

• ReCIRC: Rectified Conformal Risk Control [2.0212584824609503]
  コンフォーマルリスク制御(CRC)は、そのような損失に対して分布のない保証を与えるが、全ての入力で共有される単一の閾値を校正する。 本稿では,各入力の推定局所リスク曲線を逆転させて,キャリブレーション閾値を共通目標条件としてパラメータ化し,CRCを結果の族に適用するReCIRCを提案する。 ReCIRCは、目標に近い限界リスクを維持しつつ、最低グループリスクと平均陽性グループ過剰を各設定で達成した。
  論文  参考訳（メタデータ） (2026-09-29T17:49:17Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Generative Adversarial Regression (GAR): Learning Conditional Risk Scenarios [0.2864713389096699]
  本稿では,下流のリスク目標に整合したジェネレータを通して条件付きリスクシナリオを学習するためのフレームワークであるジェネラティブ・アドバサリアル・レグレッション(GAR)を提案する。 GARは、量子型、期待型、および連立有価関数を含む有価関数の条件付きリスクの回帰的評価に基づいて構築される。 我々は、この原則を、同じコンテキスト下での実際のデータとポリシーによって引き起こされるリスクを一致させるジェネレータを訓練することで、生成モデリングに拡張する。
  論文  参考訳（メタデータ） (2026-03-09T16:16:59Z)
• Conformal Risk Control for Non-Monotonic Losses [2.539337625174222]
  共形リスク制御は、誤発見を超えてリスク関数を制御するための共形予測の拡張である。 多次元パラメータを持つ非単調な損失に対して汎用アルゴリズムを適用したリスク制御保証を提案する。
  論文  参考訳（メタデータ） (2026-02-23T18:58:54Z)
• Prediction-Powered Risk Monitoring of Deployed Models for Detecting Harmful Distribution Shifts [51.37000123503367]
  予測駆動型リスクモニタリング(PPRM)を提案する。 PPRMは、合成ラベルを真のラベルの小さなセットと組み合わせることで、ランニングリスクの任意の有意な下界を構築する。 本稿では,画像分類,大規模言語モデル(LLM),通信監視タスクの広範な実験を通じて,PPRMの有効性を実証する。
  論文  参考訳（メタデータ） (2026-02-02T15:32:14Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• Policy Evaluation in Distributional LQR [70.63903506291383]
  ランダムリターンの分布を閉形式で表現する。 この分布は有限個の確率変数で近似できることを示す。 近似回帰分布を用いて,リスク・アバースLQRに対するゼロ階ポリシー勾配アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-23T20:27:40Z)
• Tailoring to the Tails: Risk Measures for Fine-Grained Tail Sensitivity [10.482805367361818]
  予測されるリスクアレンジメント(ERM)は、マシンラーニングシステムの中核にある。 本稿では,所望のテール感度を示すリスク対策を構築するための一般的な手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T09:51:18Z)
• How does the Combined Risk Affect the Performance of Unsupervised Domain Adaptation Approaches? [33.65954640678556]
  unsupervised domain adaptation (uda)は、ソースドメインからのラベル付きサンプルとターゲットドメインからのラベルなしサンプルでターゲット分類器をトレーニングすることを目的としている。 e-mixnetは、ラベル付きソースサンプルと疑似ラベル付きターゲットサンプルに汎用的なビビナル分布である強化ミックスアップを使用して、複合リスクのプロキシを計算する。
  論文  参考訳（メタデータ） (2020-12-30T00:46:57Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。