複数ソースによる不確実性の定量化

arXiv stat.ML / 2026/4/2

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

重み付き適合予測（WCP）は共変量シフト下での不確実性の定量化に有効であるが、学習時とテスト時の共変量分布の重なりが十分でない場合、性能が低下する。
本論文は、条件付き分布が共通であると仮定することで、ソース間で共変量分布が異なる場合にも対応するようにWCPを拡張し、多ソースの場合に取り組む。
2つの手法が提案される：（1）ソースごとのWCP集合をマージして集約する方法、（2）ソース間でサンプルを共同で再重み付けするデータ・プーリング（データ統合）アプローチ。
著者らは、これら2つの拡張それぞれに対する理論的な保証を提示し、合成回帰課題およびマルチドメイン画像分類ベンチマークで実験により検証する。

Abstract

重み付き適合予測（WCP）は、共変量シフト下で予測の不確実性を定量化するために広く用いられてきました。しかし、WCPの有効性は、学習時とテスト時の共変量分布の間における重なりの程度に大きく依存します。この課題は、共変量分布が異なる複数ソースの設定においてさらに深刻になります。そのような場合、WCPを直接適用することは実際には困難になり得ます。本論文では、共有された条件付き分布という仮定のもとでWCPを活用することで、複数ソースの状況に対処します。WCPの拡張として2つを検討します:（i）ソース固有の重み付き適合予測集合をマージして集約する方法、（ii）すべてのソースにまたがってサンプルを共同で再重み付けするデータ・プーリング戦略です。提案手法に対して理論的保証を与え、合成回帰タスクおよびマルチドメイン画像分類のベンチマークに基づく実験を行い、提案手法を検証します。