KMM-CP：共変量シフト下での選択的カーネル平均マッチングによる実用的な適合予測

arXiv cs.AI / 2026/3/30

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、共変量シフトを補正し、交換可能性（exchangeability）という仮定が破られた状況下でも不確実性の定量化の質を維持するために、カーネル平均マッチング（Kernel Mean Matching）を用いた適合予測（conformal prediction）フレームワーク「KMM-CP」を導入する。
その主張として、KMMは明示的な重み制約のもとでRKHS（再生核ヒルベルト空間）におけるモーメントの不一致を最小化することで、適合予測の被覆誤差（conformal coverage error）を左右するバイアス–分散の要因を直接制御できる。
著者らは、穏やかな条件のもとで漸近的な被覆保証を示し、さらに信頼できるサポートの重なりがある領域に補正を限定する選択的（selective）な変種を提案して、安定性を向上させる。
現実的な分布シフトのもとで分子特性予測ベンチマークに対して行った実験では、KMM-CPが既存手法に比べて被覆ギャップを50%以上縮小し、コードは公開されている。

概要: 不確実性の定量化は、科学的発見やヘルスケアのような高リスク領域で機械学習モデルを導入するために不可欠です。共形予測（Conformal Prediction: CP）は、交換可能性（exchangeability）のもとで有限サンプルのカバレッジ保証を提供しますが、この仮定は分布シフトによって実務上しばしば破られます。共変量シフトのもとでは、有効性を回復するには重要度重み付け（importance weighting）が必要ですが、学習分布とテスト分布の間でサポートの重なりが限定的な場合、正確な密度比（density-ratio）推定は不安定になります。本研究では、共変量シフト補正のためのカーネル平均マッチング（Kernel Mean Matching: KMM）に基づく共形予測フレームワーク KMM-CP を提案します。KMM は、明示的な重み制約のもとで RKHS 内のモーメントの不一致を最小化することにより、共形カバレッジ誤差を支配するバイアス・分散の構成要素を直接制御することを示し、さらに緩やかな条件下で漸近的なカバレッジ保証を確立します。次に、信頼できるサポート重なり領域を識別し、その部分集合に対してのみ共形補正を適用する選択的拡張を導入し、重なりが小さい領域での安定性をさらに向上させます。現実的な分布シフトを伴う分子特性予測ベンチマークでの実験により、KMM-CP は既存手法と比較してカバレッジギャップを 50% 以上低減することを示します。コードは https://github.com/siddharthal/KMM-CP で公開されています。