論文の概要: A uniform improvement to conformal risk control via a generalization of e-closure

• arxiv url: http://arxiv.org/abs/2610.35821v2
• Date: Fri, 30 Oct 2026 03:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.363811
• Title: A uniform improvement to conformal risk control via a generalization of e-closure
• Title（参考訳）: e-closureの一般化による共形リスク制御の一様改善
• Abstract要約: 我々は、最近導入された複数のテストのための電子クロージャの原則を、継続的に索引付けされたリスクファミリーを含む任意のものに拡張する。 状態とリスクによってインデックスされたe値のコレクションは、アクションのメニューを認証し、このメニューからのデータ依存の選択は、所定のレベルで各期待損失を制御する。 本稿では,この未使用の予算を充足する再認証方式を提案する。既知の分布構造を用いて,有効性を保ちながらe値の証明を拡大し,拡張されたメニューからより保守的な動作を選択する。
• 参考スコア（独自算出の注目度）: 37.22802475883251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We extend the recently introduced e-closure principle for multiple testing to general state and action spaces and to arbitrary, including continuously indexed, families of risks. A collection of e-values indexed by states and risks certifies a menu of actions, and every data-dependent selection from this menu controls each expected loss at its prescribed level. Conversely, every valid procedure is certified by its own normalized losses, which often leave part of the risk budget unused. We introduce a method called recertification, which spends this unused budget. Using known distributional structure, it enlarges the certifying e-values while preserving validity and selects a less conservative action from the enlarged menu. One particularly compelling application is to the popular framework of conformal risk control (CRC) with a known loss family. Here, recertification redistributes unused risk budget among the held-out points of each hypothetical augmented sample. The resulting controller is valid under every finite exchangeable law and less (usually strictly) conservative than CRC. For convex losses on an interval of actions, repeated recertification converges geometrically to an admissible controller. As a second example involving false discovery rate control with e-values, recertifying randomized e-BH yields a closed-form procedure that rejects a superset of randomized e-BH for every realization of the randomization and maximizes the expected number of rejections under the same constraints. Recertifying with the larger e-collection of closed e-BH gives a second closed-form procedure that rejects a superset of the first. Experiments on CIFAR-100 hierarchical classification and simulations demonstrate improved budget utilization and gains in informativeness and power over the corresponding baselines.
• Abstract（参考訳）: 我々は、最近導入された、複数のテストのための電子クロージャの原則を、一般的な状態とアクション空間に拡張し、連続インデックス付きリスクファミリーを含む任意のものに拡張する。 状態とリスクによってインデックスされたe値のコレクションは、アクションのメニューを認証し、このメニューからのデータ依存の選択は、所定のレベルで各期待損失を制御する。 逆に、すべての有効な手続きは、通常化された損失によって認証され、しばしばリスク予算の一部を未使用のままにしておく。 未使用の予算に費やした再認証という手法を導入する。 既知の分布構造を用いて、有効性を保ちながら認証e値を拡大し、拡張されたメニューからより保守的なアクションを選択する。 特に魅力的な応用の1つは、既知の損失ファミリーを持つ共形リスク制御(CRC)の一般的なフレームワークである。 ここで、再認証は、各仮説的追加サンプルのホールトアウトポイントのうち、未使用のリスク予算を再分配する。 結果として得られるコントローラは、すべての有限交換可能な法則の下で有効であり、CRCよりも(通常は厳密には)保守的ではない。 動作間隔における凸損失に対して、繰り返し再認証は幾何的に許容可能なコントローラに収束する。 e-値による偽発見率制御を含む第2の例として、ランダム化されたe-BHの再認証は、ランダム化されたe-BHのスーパーセットを排除し、同じ制約の下で期待される拒絶数を最大化するクローズドフォームの手順を与える。 閉じた e-BH のより大きな e-集合による再認識は、第1の超集合を拒絶する第2の閉形式手続きを与える。 CIFAR-100階層分類とシミュレーションの実験は、予算利用の改善と、対応するベースラインに対する情報性とパワーの獲得を実証している。

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)
• Risk-Aware Online Conformal State Probing [65.02200443982082]
  オンライン整合状態探索(オンライン整合状態探索、OCSP)は、分布仮定に頼ることなく最悪のケースの信頼性レベルを認定する行動・探索政策である。 OCSPは、リトレーニングや微調整を必要とせずに、既存のバリューベースのコントロールポリシーに適用することができる。
  論文  参考訳（メタデータ） (2026-09-22T08:55:09Z)
• Occupancy-based Quantile Risk Control [21.91768834819608]
  OQRC(Quantile Risk Control, 量子リスク制御)は, リスクを厳密に制御し, 有限サンプルの有効性を示す手法である。 リスク管理を有限占有問題として定式化し, 所定のキャリブレーション損失で損失空間を分割する。 提案手法の有効性を実証し, 一般的なベンチマークにおいて, リスクギャップを78.64%削減する実験を行った。
  論文  参考訳（メタデータ） (2026-09-02T19:32:46Z)
• Selective Conformal Risk Control [0.38106124526091323]
  共形予測と選択分類を統合した統合フレームワークであるtextitSelective Conformal Risk Control (SCRC) を提案する。 第1段階は予測のための確実なサンプルを選択し、第2段階は選択されたサブセットに対して共形リスク制御を適用して校正された予測セットを構築する。 SCRC-Iは、より保守的なリスクコントロールを示すが、より優れた計算実用性を示す。
  論文  参考訳（メタデータ） (2025-12-14T21:18:28Z)
• 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)
• SAFER: Risk-Constrained Sample-then-Filter in Large Language Models [38.97678256807034]
  本稿では,無意識サンプリングと共形フィルタリングを組み合わせた2段階リスク制御フレームワークを提案する。 その結果,SAFERはタスク固有の基準やキャリブレーションテストのスプリット比と互換性があることが判明した。
  論文  参考訳（メタデータ） (2025-10-11T12:12:41Z)
• 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)
• Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
  バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。 我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。 NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
  論文  参考訳（メタデータ） (2025-03-23T10:52:36Z)

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。