論文の概要: Cross-conformal e-prediction
- arxiv url: http://arxiv.org/abs/2001.05989v1
- Date: Thu, 16 Jan 2020 18:41:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 23:45:13.275523
- Title: Cross-conformal e-prediction
- Title(参考訳): クロスコンフォーマル電子予測
- Authors: Vladimir Vovk
- Abstract要約: 本稿では,e値に関する最近の研究から着想を得た,クロスコンフォーマルな予測の簡単な修正について述べる。
クロスコンフォーマル予測の妥当性は経験的事実に過ぎず(過度なランダム化で損なわれる可能性がある)、このメモはクロスコンフォーマルなe-Predictionが有効性の保証された性質を享受しているという明らかな事実に読者の注意を惹きつける。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This note discusses a simple modification of cross-conformal prediction
inspired by recent work on e-values. The precursor of conformal prediction
developed in the 1990s by Gammerman, Vapnik, and Vovk was also based on
e-values and is called conformal e-prediction in this note. Replacing e-values
by p-values led to conformal prediction, which has important advantages over
conformal e-prediction without obvious disadvantages. The situation with
cross-conformal prediction is, however, different: whereas for cross-conformal
prediction validity is only an empirical fact (and can be broken with excessive
randomization), this note draws the reader's attention to the obvious fact that
cross-conformal e-prediction enjoys a guaranteed property of validity.
- Abstract(参考訳): 本稿ではe値に関する最近の研究に触発されたクロスコンフォーマル予測の簡単な修正について述べる。
1990年代にgammerman、vapnik、vovkによって開発された共形予測の前駆体もe値に基づいており、このノートでは共形 e-prediction と呼ばれる。
e-値をp-値に置き換えることにより、明らかな欠点なく共形e-述語よりも重要な利点を持つ共形予測が導かれる。
クロスコンフォーマル予測の妥当性は経験的事実に過ぎず(過度なランダム化で損なわれる可能性がある)、このメモはクロスコンフォーマルなe-Predictionが有効性の保証された性質を享受しているという明らかな事実に読者の注意を惹きつける。
関連論文リスト
- Robust Conformal Prediction Using Privileged Information [17.886554223172517]
本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。
我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
論文 参考訳(メタデータ) (2024-06-08T08:56:47Z) - Enhancing Conformal Prediction Using E-Test Statistics [0.0]
Conformal Prediction (CP) は、機械学習(ML)モデルによる予測の不確実性を定量化する、堅牢なフレームワークとして機能する。
本稿では, BB予測器の導入により共形予測の有効性を高めるために, e-test 統計の力を活用して, 代替手法を考案する。
論文 参考訳(メタデータ) (2024-03-28T01:14:25Z) - Predicting generalization performance with correctness discriminators [64.00420578048855]
未確認データに対して,金のラベルを必要とせず,精度の上下境界を確立する新しいモデルを提案する。
予測された上境界と下限の間に金の精度が確実に成立する様々なタグ付け、構文解析、意味解析タスクを示す。
論文 参考訳(メタデータ) (2023-11-15T22:43:42Z) - Variational Prediction [95.00085314353436]
本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。
このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
論文 参考訳(メタデータ) (2023-07-14T18:19:31Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳(メタデータ) (2023-05-27T19:57:27Z) - Distribution-Free Finite-Sample Guarantees and Split Conformal
Prediction [0.0]
分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。
1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
論文 参考訳(メタデータ) (2022-10-26T14:12:24Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳(メタデータ) (2022-10-01T02:57:37Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Distribution-free uncertainty quantification for classification under
label shift [105.27463615756733]
2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。
まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。
これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
論文 参考訳(メタデータ) (2021-03-04T20:51:03Z) - Validity, consonant plausibility measures, and conformal prediction [7.563864405505623]
本稿では,他の予測関連タスクに関連する2型妥当性という新しい概念を提案する。
本研究では、共形予測出力を子音可聴性尺度の輪郭関数として解釈することにより、どちらの種類の予測精度も達成可能であることを示す。
論文 参考訳(メタデータ) (2020-01-24T23:24:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。