論文の概要: Training conformal predictors

• arxiv url: http://arxiv.org/abs/2005.07037v1
• Date: Thu, 14 May 2020 14:47:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 04:30:14.866127
• Title: Training conformal predictors
• Title（参考訳）: コンフォメーション予測のトレーニング
• Authors: Nicolo Colombo and Vladimir Vovk
• Abstract要約: 共形予測の効率基準は、一般に、与えられた共形予測器の性能を評価するために用いられる。 そこで本研究では,そのような基準をエンフラーン分類器に活用できるかどうかを考察する。
• 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: Efficiency criteria for conformal prediction, such as \emph{observed fuzziness} (i.e., the sum of p-values associated with false labels), are commonly used to \emph{evaluate} the performance of given conformal predictors. Here, we investigate whether it is possible to exploit efficiency criteria to \emph{learn} classifiers, both conformal predictors and point classifiers, by using such criteria as training objective functions. The proposed idea is implemented for the problem of binary classification of hand-written digits. By choosing a 1-dimensional model class (with one real-valued free parameter), we can solve the optimization problems through an (approximate) exhaustive search over (a discrete version of) the parameter space. Our empirical results suggest that conformal predictors trained by minimizing their observed fuzziness perform better than conformal predictors trained in the traditional way by minimizing the \emph{prediction error} of the corresponding point classifier. They also have a reasonable performance in terms of their prediction error on the test set.
• Abstract（参考訳）: 例えば \emph{observed fuzziness} (つまり偽ラベルに関連するp値の和)のような共形予測の効率基準は、与えられた共形予測器の性能を評価するために一般的に用いられる。 そこで本研究では, 等角予測器と点分類器の両方において, 目標関数の訓練などにより, 効率基準を有効活用できるかどうかを検討する。 提案手法は手書き桁のバイナリ分類の問題に対して実装されている。 1次元モデルクラス(実数値自由パラメータ1つ)を選択することで、パラメータ空間の(離散バージョン)上の(ほぼ)排他的な探索を通じて最適化問題を解くことができる。 実験結果から, 観測されたファズネスを最小化した共形予測器は, 対応する点分類器の<emph{prediction error} を最小化することにより, 従来の共形予測器よりも優れた性能を示すことが示唆された。 それらはまた、テストセットの予測エラーの観点からも合理的な性能を持つ。

関連論文リスト

• C-Adapter: Adapting Deep Classifiers for Efficient Conformal Prediction Sets [19.318945675529456]
  精度を犠牲にすることなく共形予測器の効率を向上させるためにtextbfConformal Adapter (C-Adapter) を導入する。 特に、命令保存関数のクラスとしてアダプタを実装し、提案した損失に合わせて調整する。 C-Adapterを使用すると、このモデルは間違ったラベルに対して非常に高い非整合性スコアを生成する傾向にある。
  論文  参考訳（メタデータ） (2024-10-12T07:28:54Z)
• Weighted Aggregation of Conformity Scores for Classification [9.559062601251464]
  コンフォーマル予測は、有効なカバレッジ保証を備えた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。 本稿では,共形予測器の性能向上のために,複数のスコア関数を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-14T14:58:03Z)
• Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
  本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。 提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。 コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
  論文  参考訳（メタデータ） (2024-07-05T10:43:41Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• 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)
• ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
  ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。 各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。 これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
  論文  参考訳（メタデータ） (2022-09-04T12:49:20Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Optimized conformal classification using gradient descent approximation [0.2538209532048866]
  コンフォーマル予測器は、ユーザ定義の信頼性レベルで予測を行うことができる。 我々は,共形予測器を直接最大予測効率で訓練する手法を検討する。 実世界の複数のデータセット上で本手法を検証し,本手法が有望であることを示す。
  論文  参考訳（メタデータ） (2021-05-24T13:14:41Z)

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。