Extreme Conformal Prediction：高インパクト事象に対する信頼できる予測区間

arXiv stat.ML / 2026/4/2

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、古典的な適合性予測（conformal prediction）の重要な限界を扱っている。すなわち、規制当局が限られたキャリブレーションデータに対して、極端に高い信頼度を要求する場合、標準的な手法では無限に広く、情報を持たない予測区間が得られうる。
「extreme conformal prediction（極値適合性予測）」を提案し、適合性予測に極値統計を組み合わせることで、信頼でき、かつ高い信頼度に対しても情報量のある予測区間を生成する。
この方法は、任意のブラックボックスな極値分位点回帰モデルで動作するよう設計されており、特別なモデリング構造を要求しないため、幅広い適用性を持つ。
非定常データへの対応として重み付きバリアントも提示しており、データ分布が時間とともに変化する場合の頑健性を高める。
シミュレーションおよび洪水リスク予測への適用により検証を行い、極端な信頼度要件のもとで区間の情報の性質が改善されることを示している。

Abstract

予測適合（conformal prediction）は、ブラックボックス型機械学習モデルから周辺カバレッジ保証付きの予測区間を構築するための、人気の高い手法である。洪水や金融危機のように、影響が大きい可能性のある事象を伴うアプリケーションでは、規制当局はそのような区間に対してしばしば非常に高い信頼度を要求する。しかし、望まれる信頼度の水準がキャリブレーションに用いられるデータ量に比べて大きすぎる場合、従来の適合予測手法では、予測区間が無限に広くなってしまい、したがって有益な情報を提供しないものとなる。本論文では、この制約を克服するための新しい方法を提案する。我々は、極値統計と適合予測を結びつけることで、高い信頼度による信頼できるかつ有益な予測区間を提供する。これは、任意のブラックボックス型極分位回帰手法を用いて構築できる。我々のアプローチの重み付き版では、非定常データを考慮することができる。我々の極（extreme）適合予測手法の利点は、シミュレーション研究および洪水リスク予測への適用によって示す。