認識論的不確実性下での最適なコンフォーマル予測

コンフォーマル予測（CP）は、真のラベルをユーザーが調整可能な確率でカバーする予測セットを提供することで不確実性を表現する頻度主義的枠組みとして一般的です。ほとんどの応用では、CPは標準の（一次）確率的予測子（例：ソフトマックス出力）からの信頼度スコア上で動作します。信念集合予測子やベイズモデルのような二次予測子も不確実性の定量化に広く用いられ、アレアトリック（偶然的）およびエピステミック（認識論的）な不確実性の両方を表現できることで知られています。人気があるにもかかわらず、「これらをCPにどのように組み入れるか」という問題は依然として未解決です。本論文では、有効な二次予測が利用可能な場合にCPに求められる要件について議論します。次に、本設定で条件付きカバレッジを保証する最小の予測セットを生成するベルヌーイ予測セット（BPS）を導入します。一次予測が与えられた場合、BPSはよく知られた適応予測セット（APS）に帰着します。さらに、二次予測の有効性仮定が損なわれた場合には、コンフォーマルリスクコントロールを適用し、エピステミック不確実性を考慮しつつ周辺カバレッジ保証を得ます。