論文の概要: TabCUQ: Context-Uncertainty Quantification for Tabular Foundation Models
- arxiv url: http://arxiv.org/abs/2610.39558v1
- Date: Thu, 29 Oct 2026 07:58:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.47718
- Title: TabCUQ: Context-Uncertainty Quantification for Tabular Foundation Models
- Title（参考訳）: TabCUQ: タブラル基礎モデルのコンテキスト不確実性定量化
- Abstract要約: 本稿では、観測結果にノイズを注入する摂動に基づくフレームワークTabCUQを紹介し、その基礎モデルを摂動文脈に適用する。
シミュレーションでは、TabCUQは範囲を大幅に改善し、平均間隔幅はオラクルバイアス対応ベンチマークの約2倍である。
- 参考スコア（独自算出の注目度）: 3.4854044762965835
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tabular foundation models use in-context learning to estimate conditional expected outcomes and average treatment effects for specific groups of individuals. Using these estimates to guide scientific decisions requires reliable uncertainty quantification. The challenge is to account simultaneously for two sources of uncertainty: limited-context bias and context variation arising from the small labeled sample supplied at inference. Predictive spread does not directly quantify both sources of uncertainty, and we observe that the ordinary bootstrap may substantially overestimate context variation, whereas subsampling may underestimate it. We introduce TabCUQ, a perturbation-based framework that injects noise into observed outcomes and applies the foundation model to the perturbed contexts. TabCUQ estimates context variation using wild-bootstrap dispersion and accounts for limited-context bias using the maximum deviation between perturbed and original estimates. For a kernel-regression analogue whose estimation error admits an exact decomposition into these two components, we show that our framework provides asymptotically valid pointwise coverage. In simulations, TabCUQ substantially improves coverage, with average interval widths typically about twice those of an oracle bias-aware benchmark. Across seven real-world tasks, it also improves coverage of reference functions learned from much larger samples.
- Abstract（参考訳）: タブラル基礎モデルは、特定の個人のグループに対する条件付き期待結果と平均的な治療効果を推定するために、文脈内学習を使用する。
これらの推定値を用いて科学的決定を導くには、確実な不確実性定量化が必要である。
課題は、2つの不確実性源を同時に説明することである: 限定コンテキストバイアスと、推論時に供給された小さなラベル付きサンプルから生じるコンテキスト変動である。
予測的拡散は両方の不確実性源を直接定量化せず、通常のブートストラップがコンテキスト変動を大幅に過大評価するのに対して、サブサンプリングはそれを過小評価する可能性があることを観察する。
本稿では、観測結果にノイズを注入する摂動に基づくフレームワークTabCUQを紹介し、その基盤モデルを摂動文脈に適用する。
TabCUQは、ワイルドブートストラップ分散を用いたコンテキスト変動を推定し、摂動と元の見積もりの最大偏差を用いた限定コンテキストバイアスを考慮に入れた。
推定誤差がこれら2つのコンポーネントの正確な分解を許容するカーネル-回帰アナログに対して、我々のフレームワークが漸近的に有効なポイントワイドカバレッジを提供することを示す。
シミュレーションでは、TabCUQは範囲を大幅に改善し、平均間隔幅はオラクルバイアス対応ベンチマークの約2倍である。
7つの現実世界のタスクにまたがって、はるかに大きなサンプルから学んだ参照関数のカバレッジも改善する。
関連論文リスト
- Grounding Predictive Reliability through Masked Observability [7.108925966369081]
MORSEは、可視的コンテキストにおける制御された変更の下で、同じ隠れターゲットを予測する。
条件平均とデータスケールの目的は、条件平均とデータスケールを学習する。
MORSEはまた、PTB-XL上の低ラベル転送とIMPTC上の分布内軌道予測を改善している。
論文 参考訳（メタデータ） (2026-10-29T09:57:28Z) - Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。
これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
論文 参考訳（メタデータ） (2026-06-02T08:41:25Z) - Calibrated Inference for the Conditional Average Treatment Effect in the Few-Placebo Regime via Gaussian Processes [0.0]
片方の治療用アームが他方よりもはるかに小さい,少数のプラセボ系について検討した。
それらは、その名目レベルよりも、真の効果をほとんど含まない。
本稿では,各アームの結果面をガウス過程でモデル化するGP-CATEを提案する。
論文 参考訳（メタデータ） (2026-05-26T11:18:42Z) - DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning [51.56484100374058]
本稿では,ICLリスクをベイズギャップとポストリアバリアンスの2つのコンポーネントに分割する基本的リスク分解を導入する。
一様アテンション変換器の場合、このギャップの非漸近上界を導出し、事前学習プロンプトの数への依存を明確にする。
後方変動は本質的なタスクの不確実性を表すモデルに依存しないリスクである。
論文 参考訳（メタデータ） (2025-10-13T03:42:31Z) - In-Context Parametric Inference: Point or Distribution Estimators? [66.22308335324239]
償却点推定器は一般に後部推論より優れているが、後者は低次元問題では競争力がある。
実験の結果, 償却点推定器は一般に後部推定より優れているが, 後者は低次元問題では競争力があることがわかった。
論文 参考訳（メタデータ） (2025-02-17T10:00:24Z) - The Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data [8.916614661563893]
因果推論を両立させるために,MARフレームワークの欠落と関連するアプローチを導入する。
これはラベル付け機構における選択バイアスとラベル付きグループとラベルなしグループの極端な不均衡に同時に対処する。
因果関係の堅牢性を確保するため,平均治療効果に対するバイアス低減SS推定器を提案する。
論文 参考訳（メタデータ） (2023-05-22T07:37:12Z) - Double Robust Bayesian Inference on Average Treatment Effects [2.458652618559425]
不整合下での平均処理効果(ATE)に対する二重頑健なベイズ推定法を提案する。
新しいベイズ的アプローチでは、まず条件付き平均関数の事前分布を調整し、得られた ATE の後方分布を補正する。
論文 参考訳（メタデータ） (2022-11-29T15:32:25Z) - Post-Contextual-Bandit Inference [57.88785630755165]
コンテキストバンディットアルゴリズムは、電子商取引、医療、政策立案における非適応的なA/Bテストを置き換える傾向にある。
研究参加者の成果を改善することもでき、良い方針や最良の政策を特定できる可能性を高めることもできる。
研究の終盤における新規介入の信頼性推論を支援するため, 平均治療効果, サブグループ効果, あるいは新政策の価値について, 有効な信頼区間を構築したい。
論文 参考訳（メタデータ） (2021-06-01T12:01:51Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Estimation and Applications of Quantiles in Deep Binary Classification [0.0]
チェック損失に基づく量子回帰は統計学において広く使われている推論パラダイムである。
二項分類設定におけるチェック損失の類似について考察する。
我々は、予測が信頼できるかどうかを判断するために使用できる個別信頼度スコアを開発する。
論文 参考訳（メタデータ） (2021-02-09T07:07:42Z)
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。