論文の概要: I-SPEC: An End-to-End Framework for Learning Transportable, Shift-Stable
Models
- arxiv url: http://arxiv.org/abs/2002.08948v1
- Date: Thu, 20 Feb 2020 18:56:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 06:12:33.407841
- Title: I-SPEC: An End-to-End Framework for Learning Transportable, Shift-Stable
Models
- Title(参考訳): I-SPEC:トランスポートブル・シフト安定モデル学習のためのエンドツーエンドフレームワーク
- Authors: Adarsh Subbaswamy, Suchi Saria
- Abstract要約: 開発とデプロイメントの間の環境の変化により、古典的な教師あり学習は、新たなターゲット分布への一般化に失敗するモデルを生成する。
我々は、データを用いて部分祖先グラフ(PAG)を学習することで、この欠点に対処するエンドツーエンドフレームワークであるI-SPECを提案する。
我々は、I-SPECを死亡予測問題に適用し、完全な因果DAGの事前知識を必要とせずに、シフトに頑健なモデルを学ぶことができることを示す。
- 参考スコア(独自算出の注目度): 6.802401545890963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Shifts in environment between development and deployment cause classical
supervised learning to produce models that fail to generalize well to new
target distributions. Recently, many solutions which find invariant predictive
distributions have been developed. Among these, graph-based approaches do not
require data from the target environment and can capture more stable
information than alternative methods which find stable feature sets. However,
these approaches assume that the data generating process is known in the form
of a full causal graph, which is generally not the case. In this paper, we
propose I-SPEC, an end-to-end framework that addresses this shortcoming by
using data to learn a partial ancestral graph (PAG). Using the PAG we develop
an algorithm that determines an interventional distribution that is stable to
the declared shifts; this subsumes existing approaches which find stable
feature sets that are less accurate. We apply I-SPEC to a mortality prediction
problem to show it can learn a model that is robust to shifts without needing
upfront knowledge of the full causal DAG.
- Abstract(参考訳): 開発とデプロイメントの間の環境の変化により、古典的な教師付き学習は、新しいターゲットディストリビューションにうまく一般化できないモデルを生み出す。
近年,変分予測分布を求める解が開発されている。
これらのうち、グラフベースのアプローチはターゲット環境からのデータを必要とせず、安定した特徴セットを見つける代替手法よりも安定した情報をキャプチャすることができる。
しかし、これらのアプローチはデータ生成プロセスが完全な因果グラフの形で知られていると仮定しており、一般的にはそうではない。
本稿では、データを用いて部分祖先グラフ(PAG)を学習することにより、この欠点に対処するエンドツーエンドフレームワークであるI-SPECを提案する。
PAGを用いて、宣言されたシフトに対して安定な介入分布を決定するアルゴリズムを開発し、これはより正確でない安定な特徴セットを見つける既存のアプローチを仮定する。
死亡予測問題にi-specを適用することで,原因dagの完全な事前知識を必要とせずに,シフトにロバストなモデルを学習できることを示す。
関連論文リスト
- SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed
Semi-Supervised Learning [56.13438490600715]
ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。
我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。
本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
論文 参考訳(メタデータ) (2024-02-21T03:39:04Z) - Causal Bayesian Optimization via Exogenous Distribution Learning [18.70844080355172]
本稿では,内因性変数の分布を学習するための新しい手法を提案する。
代理モデルにおける構造的因果モデルの近似精度を向上させる。
異なるデータセットとアプリケーションの実験により,提案手法の利点が示された。
論文 参考訳(メタデータ) (2024-02-03T22:14:54Z) - It's All in the Mix: Wasserstein Machine Learning with Mixed Features [5.739657897440173]
混合機能問題の解法として,実用的なアルゴリズムを提案する。
提案手法は, 個々の特徴が存在する場合の既存手法を著しく上回りうることを示す。
論文 参考訳(メタデータ) (2023-12-19T15:15:52Z) - Unleashing the Power of Graph Data Augmentation on Covariate
Distribution Shift [50.98086766507025]
本稿では,AIA(Adversarial Invariant Augmentation)という,シンプルで効率の良いデータ拡張戦略を提案する。
AIAは、拡張プロセス中に元の安定した特徴を同時に保存しながら、新しい環境をエクスポーレーションし、生成することを目的としている。
論文 参考訳(メタデータ) (2022-11-05T07:55:55Z) - Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。
本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文 参考訳(メタデータ) (2022-08-16T08:03:30Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [77.14319095965058]
グラフ上のノードレベルの予測にOOD問題を定式化する。
そこで我々は,探索から抽出までのリスク最小化という新たなドメイン不変学習手法を開発した。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2022-02-05T02:31:01Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳(メタデータ) (2022-01-11T23:01:12Z) - Identification of Latent Variables From Graphical Model Residuals [0.0]
本稿では,推定モデルの残差から遅延空間のプロキシを反復的に導出することにより,DAGを推定する際に潜伏空間を制御する新しい手法を提案する。
結果の予測の改善は本質的にカプセル化されており,既成モデルと比較して一定の限界を超えないことを示す。
論文 参考訳(メタデータ) (2021-01-07T02:28:49Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z)
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。