arXiv:2512.01384v1 Announce Type: cross 
Abstract: We present CLAPS, a posterior-aware conformal regression method that pairs a Last-Layer Laplace Approximation with split-conformal calibration. From the resulting Gaussian posterior, CLAPS defines a simple two-sided posterior CDF score that aligns the conformity metric with the full predictive shape, not just a point estimate. This alignment yields narrower prediction intervals at the same target coverage, especially on small to medium tabular datasets where data are scarce and uncertainty modeling matters. We also provide a lightweight diagnostic suite that separates aleatoric and epistemic components and visualizes posterior behavior, helping practitioners understand why intervals shrink when they do. Across multiple benchmarks using the same MLP backbone, CLAPS consistently attains nominal coverage with improved efficiency and minimal overhead, offering a clear, practical upgrade to residual-based conformal baselines.

تم تقديم CLAPS كطريقة جديدة للتراجع المطابق الواعي بالاحتمالات، تستخدم تقريب لابلاس من الطبقة الأخيرة مع معايرة مطابقة مقسمة، مما يؤدي إلى فترات تنبؤ أضيق مع الحفاظ على تغطية مستهدفة، وهو مفيد بشكل خاص لمجموعات البيانات الصغيرة والمتوسطة.

CLAPS se ha presentado como un nuevo método de regresión conformal consciente de los posteriores que utiliza una Aproximación de Laplace de Última Capa combinada con calibración conformal dividida, lo que resulta en intervalos de predicción más estrechos mientras se mantiene la cobertura objetivo, especialmente beneficioso para conjuntos de datos pequeños y medianos.

CLAPS a été introduit comme une nouvelle méthode de régression conforme consciente des postérieurs, utilisant une approximation de Laplace de dernière couche combinée à une calibration conforme fractionnée, ce qui permet d'obtenir des intervalles de prédiction plus étroits tout en maintenant une couverture cible, particulièrement bénéfique pour les petits et moyens ensembles de données.

CLAPS has been introduced as a novel posterior-aware conformal regression method that utilizes a Last-Layer Laplace Approximation combined with split-conformal calibration, resulting in narrower prediction intervals while maintaining target coverage, particularly beneficial for small to medium datasets.

CLAPS: Posterior-Aware Conformal Intervals via Last-Layer Laplace

arXiv:2512.02489v1 Announce Type: new 
Abstract: I present an application of established machine learning techniques to NHANES health survey data for predicting diabetes status. I compare baseline models (logistic regression, random forest, XGBoost) with a hybrid approach that uses an XGBoost feature encoder and a lightweight multilayer perceptron (MLP) head. Experiments show the hybrid model attains improved AUC and balanced accuracy compared to baselines on the processed NHANES subset. I release code and reproducible scripts to encourage replication.

قدمت دراسة حديثة نموذجًا هجينًا من التعلم الآلي يجمع بين الانحدار المعاقب وطبقة متعددة من البيرسيبترون (MLP) للتنبؤ بحالة السكري باستخدام بيانات مسح الصحة NHANES. تفوق هذا النموذج على الطرق التقليدية مثل الانحدار اللوجستي والغابة العشوائية من حيث المساحة تحت المنحنى (AUC) والدقة المتوازنة، مما يظهر فعاليته في التعامل مع البيانات عالية الأبعاد وقليلة العينة (HDLSS).

Un estudio reciente presentó un modelo híbrido de aprendizaje automático que combina regresión penalizada y un perceptrón multicapa (MLP) para predecir el estado de diabetes utilizando datos de la encuesta de salud NHANES. Este modelo superó a métodos tradicionales como la regresión logística y el bosque aleatorio en términos de área bajo la curva (AUC) y precisión equilibrada, demostrando su efectividad en el manejo de datos de alta dimensión y baja muestra (HDLSS).

Une étude récente a introduit un modèle hybride d'apprentissage automatique combinant la régression pénalisée et un perceptron multicouche (MLP) pour prédire le statut diabétique à partir des données de l'enquête de santé NHANES. Ce modèle a surpassé les méthodes traditionnelles telles que la régression logistique et la forêt aléatoire en termes de surface sous la courbe (AUC) et de précision équilibrée, démontrant son efficacité dans le traitement des données à haute dimension et faible taille d'échantillon (HDLSS).

A recent study introduced a hybrid machine learning model combining penalized regression and a multilayer perceptron (MLP) for predicting diabetes status using NHANES health survey data. This model outperformed traditional methods like logistic regression and random forest in terms of area under the curve (AUC) and balanced accuracy, showcasing its effectiveness in handling high-dimensional low-sample-size (HDLSS) data.

CLAPS: Posterior-Aware Conformal Intervals via Last-Layer Laplace

Was this article worth reading? Share it

FastML

Claritiv

Acalytica Web Analytics