Buchumschlag

Efficient Conformal Prediction under Data Heterogeneity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Plassier, Vincent, Kotelevskii, Nikita, Rubashevskii, Aleksandr, Noskov, Fedor, Velikanov, Maksim, Fishkov, Alexander, Horvath, Samuel, Takac, Martin, Moulines, Eric, Panov, Maxim
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Probabilistic Conformal Prediction with Approximate Conditional Validity
von: Plassier, Vincent, et al.
Veröffentlicht: (2024)

Neural Optimal Transport Meets Multivariate Conformal Prediction
von: Kondratyev, Vladimir, et al.
Veröffentlicht: (2025)

From Risk to Uncertainty: Generating Predictive Uncertainty Measures via Bayesian Estimation
von: Kotelevskii, Nikita, et al.
Veröffentlicht: (2024)

Rectifying Conformity Scores for Better Conditional Coverage
von: Plassier, Vincent, et al.
Veröffentlicht: (2025)

Adaptive Set-Mass Calibration with Conformal Prediction
von: Kazantsev, Daniil, et al.
Veröffentlicht: (2025)

Multidimensional Uncertainty Quantification via Optimal Transport
von: Kotelevskii, Nikita, et al.
Veröffentlicht: (2025)

Optimal Noise Reduction in Dense Mixed-Membership Stochastic Block Models under Diverging Spiked Eigenvalues Condition
von: Noskov, Fedor, et al.
Veröffentlicht: (2023)

Adaptive Conformal Prediction for Improving Factuality of Generations by Large Language Models
von: Rubashevskii, Aleksandr, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Regression using Proper Scoring Rules
von: Fishkov, Alexander, et al.
Veröffentlicht: (2025)

Generalization error of spectral algorithms
von: Velikanov, Maksim, et al.
Veröffentlicht: (2024)

Who to Trust? Aggregating Client Predictions in Federated Distillation
von: Kovalchuk, Viktor, et al.
Veröffentlicht: (2025)

Learning Confident Classifiers in the Presence of Label Noise
von: Hashmi, Asma Ahmed, et al.
Veröffentlicht: (2023)

Dimension-free Bounds for Covariance Estimation with Tensor-Train Structure
von: Patarusau, Artsiom, et al.
Veröffentlicht: (2025)

FRUGAL: Memory-Efficient Optimization by Reducing State Overhead for Scalable Training
von: Zmushko, Philip, et al.
Veröffentlicht: (2024)

Sharper dimension-free bounds on the Frobenius distance between sample covariance and its expectation
von: Puchkin, Nikita, et al.
Veröffentlicht: (2023)

Dimension-free bounds in high-dimensional linear regression via error-in-operator approach
von: Noskov, Fedor, et al.
Veröffentlicht: (2025)

LionMuon: Alternating Spectral and Sign Descent for Efficient Training
von: Bolatov, Arman, et al.
Veröffentlicht: (2026)

IDLM: Inverse-distilled Diffusion Language Models
von: Li, David, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for LLMs through Minimum Bayes Risk: Bridging Confidence and Consistency
von: Vashurin, Roman, et al.
Veröffentlicht: (2025)

Tight Convergence Rate Bounds for Optimization Under Power Law Spectral Conditions
von: Velikanov, Maksim, et al.
Veröffentlicht: (2022)

SGD with memory: fundamental properties and stochastic acceleration
von: Yarotsky, Dmitry, et al.
Veröffentlicht: (2024)

Collaborative and Efficient Personalization with Mixtures of Adaptors
von: Almansoori, Abdulla Jasem, et al.
Veröffentlicht: (2024)

Linear dependencies, polynomial factors in the Duke--Erd\H os forbidden sunflower problem
von: Kupavskii, Andrey, et al.
Veröffentlicht: (2024)

Low-Rank Graphon Estimation: Theory and Applications to Graphon Games
von: Klopp, Olga, et al.
Veröffentlicht: (2025)

Exact results and the structure of extremal families for the Duke--Erdős forbidden sunflower problem
von: Kupavskii, Andrey, et al.
Veröffentlicht: (2025)

FedPeWS: Personalized Warmup via Subnetworks for Enhanced Heterogeneous Federated Learning
von: Tastan, Nurbek, et al.
Veröffentlicht: (2024)

Don't Throw Away Your Beams: Improving Consistency-based Uncertainties in LLMs via Beam Search
von: Fadeeva, Ekaterina, et al.
Veröffentlicht: (2025)

Byzantine-Robust Optimization under $(L_0, L_1)$-Smoothness
von: Bolatov, Arman, et al.
Veröffentlicht: (2026)

Similarity, Compression and Local Steps: Three Pillars of Efficient Communications for Distributed Variational Inequalities
von: Beznosikov, Aleksandr, et al.
Veröffentlicht: (2023)

ReDAct: Uncertainty-Aware Deferral for LLM Agents
von: Piatrashyn, Dzianis, et al.
Veröffentlicht: (2026)

Preconditioned Norms: A Unified Framework for Steepest Descent, Quasi-Newton and Adaptive Methods
von: Veprikov, Andrey, et al.
Veröffentlicht: (2025)

Maneuver Decision-Making with Trajectory Streams Prediction for Autonomous Vehicles
von: Jamal, Mais, et al.
Veröffentlicht: (2024)

PaDPaF: Partial Disentanglement with Partially-Federated GANs
von: Almansoori, Abdulla Jasem, et al.
Veröffentlicht: (2022)

Faithfulness-Aware Uncertainty Quantification for Fact-Checking the Output of Retrieval Augmented Generation
von: Fadeeva, Ekaterina, et al.
Veröffentlicht: (2025)

Linear Convergence Rate in Convex Setup is Possible! Gradient Descent Method Variants under $(L_0,L_1)$-Smoothness
von: Lobanov, Aleksandr, et al.
Veröffentlicht: (2024)

Faster Than SVD, Smarter Than SGD: The OPLoRA Alternating Update
von: Almansoori, Abdulla Jasem, et al.
Veröffentlicht: (2025)

Beyond SGD, Without SVD: Proximal Subspace Iteration LoRA with Diagonal Fractional K-FAC
von: Almansoori, Abdulla Jasem, et al.
Veröffentlicht: (2026)

On Global Convergence Rates for Federated Softmax Policy Gradient under Heterogeneous Environments
von: Labbi, Safwan, et al.
Veröffentlicht: (2025)

Loss-Transformation Invariance in the Damped Newton Method
von: Shestakov, Alexander, et al.
Veröffentlicht: (2025)

Random-reshuffled SARAH does not need a full gradient computations
von: Beznosikov, Aleksandr, et al.
Veröffentlicht: (2021)