要旨: 入力特徴量に条件付けた予測モデルの期待損失を推定する、条件付きリスクのキャリブレーション（calibrating conditional risk）の問題を導入し、その解析を行います。本問題を分類と回帰の両設定で分析し、それが本質的に標準的な回帰タスクと根本的に同値であることを示します。分類設定では、さらに条件付きリスクのキャリブレーションと個別／条件付き確率のキャリブレーションとの間の関連を確立し、性能指標に関する理論的洞察を発展させます。これにより、条件付きリスクのキャリブレーションは既存の不確実性推定（uncertainty quantification）の問題に関連している一方で、それでもなお独立した別個の機械学習問題であることが明らかになります。経験的に、理論的な知見を検証し、学習して保留する（learning to defer; L2D）フレームワークにおける条件付きリスクのキャリブレーションの実用的な含意を示します。体系的な実験により、定性的および定量的な評価の両方を提供し、不確実性を考慮した意思決定における今後の研究の指針を与えます。
条件付きリスクのキャリブレーション
arXiv cs.LG / 2026/4/23
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、入力特徴量に条件づけた予測モデルの期待損失を推定する「条件付きリスクのキャリブレーション」という課題を提案する。
- 条件付きリスクのキャリブレーションは標準的な回帰タスクとして本質的に言い換え可能であり、分類と回帰の両設定でその等価性を示す。
- 分類設定では、条件付きリスクのキャリブレーションを個別および条件付きの確率キャリブレーションと結び付け、関連する性能指標の理論的洞察を与える。
- 条件付きリスクのキャリブレーションは既存の不確実性推定（不確実性の定量化）の問題と関係しつつも、別個に独立した機械学習課題であることを主張し、理論と実験の両面で裏付ける。
- 実験では、学習して保留する（L2D）枠組みにおいて条件付きリスクのキャリブレーションが実務上の有用性を持つことを示し、不確実性を踏まえた意思決定への今後の研究指針を提供する。
