論文の概要: Beyond Imputation: Mask-Adaptive Conformal Prediction via Tree Embeddings on General Missing Data Mechanisms

• arxiv url: http://arxiv.org/abs/2611.01724v1
• Date: Sun, 01 Nov 2026 09:16:54 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:30:17.244231
• Title: Beyond Imputation: Mask-Adaptive Conformal Prediction via Tree Embeddings on General Missing Data Mechanisms
• Title（参考訳）: Beyond Imputation: 一般的なミスデータメカニズム上の木埋め込みによるマスク適応型コンフォーマル予測
• Abstract要約: 不足パターンに適応する新しいコンフォーマル予測フレームワークを開発した。 筆者らのフレームワークは,各入力を生の欠落マスクとともに木に埋め込み,正規化量子スコア関数を学習することで,欠落値で表現する。
• 参考スコア（独自算出の注目度）: 3.2461297899186317
• License:
• Abstract: Conformal prediction (CP) provides a distribution-free framework for uncertainty quantification with finite-sample marginal coverage guarantees. Yet, missing values introduce distributional heterogeneity, where marginal coverage can hide systematic undercoverage for certain missingness patterns. At the same time, existing methods based on distances or smoothness require a continuous representation of partially observed covariates. Although imputation restores continuity, it obscures the missingness patterns and introduces task-dependent overhead. We develop a new CP framework that is \emph{adaptive to missingness patterns}, without imputing covariates. We rely on data augmentation by feature embedding that accounts for missingness. Our framework represents each input with missing values by a tree embedding together with its raw missingness mask, and then learns a regularized quantile score function. Varying the choices for the penalty function and the augmentation enables us to characterize three practically relevant validity levels: exact coordinate-wise validity, exact validity on observed masks, and approximate missingness-conditional guarantees for general mechanisms (MCAR, MAR, MNAR). Experiments on synthetic and real datasets support these guarantees and show that the proposed method reduces miscoverage risk while maintaining informative intervals, especially in non-MCAR settings. These results highlight the practical value of uncertainty quantification that adapts to missingness.
• Abstract（参考訳）: コンフォーマル予測(CP)は、有限サンプルの限界被覆を保証する不確実性定量化のための分布のないフレームワークを提供する。 しかし、欠落した値は分布の不均一性を導入し、限界カバレッジは特定の欠落パターンの体系的な隠蔽を隠蔽することができる。 同時に、距離や滑らかさに基づく既存の手法は、部分的に観察された共変量の連続表現を必要とする。 命令は継続性を回復するが、不足パターンを曖昧にし、タスク依存のオーバーヘッドを導入する。 共変分を含まない新しいCPフレームワークであるemph{adaptive to missingness pattern} を開発した。 欠落の原因となる機能埋め込みによるデータ拡張に依存しています。 筆者らのフレームワークは,各入力を生の欠落マスクと組み込んだ木で表現し,正規化量子スコア関数を学習する。 ペナルティ関数の選択と拡張により,3つの実用的妥当性レベル – 正確な座標の妥当性,観測マスクの正確な妥当性,一般機構(MCAR,MAR,MNAR)の欠如条件を近似的に評価できる。 合成および実データセットの実験はこれらの保証をサポートし、特に非MCAR設定において、情報的間隔を維持しながら誤発見リスクを低減することを示す。 これらの結果は、欠落に適応する不確実性定量化の実践的価値を強調している。

関連論文リスト

• LATA: Laplacian-Assisted Transductive Adaptation for Conformal Uncertainty in Medical VLMs [61.06744611795341]
  医用視覚言語モデル(VLM)は医用画像の強力なゼロショット認識器である。 本研究では,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ(texttttextbfLATA,ラプラシアン支援トランスダクティブ・アダプティブ・アダプティブ・アダプティブ)を提案する。 texttttextbfLATAは交換性を損なうことなくゼロショット予測をシャープにする。
  論文  参考訳（メタデータ） (2026-02-19T16:45:38Z)
• Semi-Supervised Mixture Models under the Concept of Missing at Radom with Margin Confidence and Aranda Ordaz Function [0.0]
  本稿では,MAR(Missing at Random)メカニズム下でのガウス混合モデリングのための半教師付き学習フレームワークを提案する。 マージン信頼を導入し、不確実性と欠落確率の間の非対称関係を柔軟に捉えるために、Aranda Ordaz リンク関数を組み込む。 結果として生じる不確実性を認識したフレームワークは、現実的なMARシナリオにおける信頼性の高い分類性能を提供する。
  論文  参考訳（メタデータ） (2026-01-21T04:13:00Z)
• Weighted Conformal Prediction Provides Adaptive and Valid Mask-Conditional Coverage for General Missing Data Mechanisms [0.30586855806896046]
  Mask-Conditional Valid (MCV) CoverageはMarginal Coverageよりも望ましい資産として現れている。 本手法は,一般的な欠落したデータ機構に対して,保証されたMarginal CoverageとMask-Conditional Validityを提供することを示す。
  論文  参考訳（メタデータ） (2025-12-16T09:15:50Z)
• Conditional Coverage Diagnostics for Conformal Prediction [47.93989136542648]
  条件付きカバレッジ推定が分類問題であることを示す。 得られたメトリクスの族をターゲットカバレッジ(ERT)の過剰なリスクと呼びます。 ERTのオープンソースパッケージと、以前の条件付きカバレッジメトリクスをリリースしています。
  論文  参考訳（メタデータ） (2025-12-12T18:47:39Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Impute-MACFM: Imputation based on Mask-Aware Flow Matching [1.9483189922830135]
  Impute-MACFMは、表計算のための条件付きフローマッチングフレームワークである。 無作為性、無作為性、無作為性、無作為性、無作為性に対処する。 軌道は欠落したエントリのみに設定され、予測速度は観測されたエントリでほぼゼロに抑えられる。
  論文  参考訳（メタデータ） (2025-09-27T05:15:09Z)
• 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)
• Conformal Prediction with Missing Values [19.18178194789968]
  まず,共形予測の限界カバレッジ保証が,不一致分布のインプットデータに当てはまることを示す。 次に、インプットされたデータに基づいてトレーニングされた普遍的に一貫した量子レグレッションアルゴリズムが、ピンボールリスクに対してベイズ最適であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T09:28:03Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。