論文の概要: Conformal Prediction Intervals for Neural Networks Using Cross
Validation
- arxiv url: http://arxiv.org/abs/2006.16941v1
- Date: Tue, 30 Jun 2020 16:23:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 05:20:36.647176
- Title: Conformal Prediction Intervals for Neural Networks Using Cross
Validation
- Title(参考訳): クロスバリデーションを用いたニューラルネットワークの等角予測間隔
- Authors: Saeed Khaki and Dan Nettleton
- Abstract要約: ニューラルネットワークは、教師付き学習問題に対処するために使用される最も強力な非線形モデルの一つである。
ニューラルネットワークの予測区間を$k$-foldのクロスバリデーションに基づいて構築するための$k$-fold予測区間法を提案する。
- 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: Neural networks are among the most powerful nonlinear models used to address
supervised learning problems. Similar to most machine learning algorithms,
neural networks produce point predictions and do not provide any prediction
interval which includes an unobserved response value with a specified
probability. In this paper, we proposed the $k$-fold prediction interval method
to construct prediction intervals for neural networks based on $k$-fold cross
validation. Simulation studies and analysis of 10 real datasets are used to
compare the finite-sample properties of the prediction intervals produced by
the proposed method and the split conformal (SC) method. The results suggest
that the proposed method tends to produce narrower prediction intervals
compared to the SC method while maintaining the same coverage probability. Our
experimental results also reveal that the proposed $k$-fold prediction interval
method produces effective prediction intervals and is especially advantageous
relative to competing approaches when the number of training observations is
limited.
- Abstract(参考訳): ニューラルネットワークは教師付き学習問題に対処するために使用される最も強力な非線形モデルの一つである。
多くの機械学習アルゴリズムと同様に、ニューラルネットワークはポイント予測を生成し、特定の確率で観測されていない応答値を含む予測間隔を提供しない。
本稿では,$k$-fold クロス検証に基づいてニューラルネットワークの予測間隔を構成するために,$k$-fold 予測間隔法を提案する。
提案手法による予測区間の有限サンプル特性と分割共形(SC)法との比較のために,10個の実データセットのシミュレーション研究と解析を行った。
提案手法は,同じカバレッジ確率を維持しつつ,sc法と比較して予測間隔が狭くなる傾向が示唆された。
実験の結果,提案手法は実効的な予測区間を生成でき,特にトレーニング観測回数が限られている場合の競合するアプローチと比較して有利であることがわかった。
関連論文リスト
- Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。
提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文 参考訳(メタデータ) (2024-02-13T09:40:19Z) - Reliable Prediction Intervals with Regression Neural Networks [1.569545894307769]
本稿では,従来の回帰ニューラルネットワーク(NN)を拡張して,所要の信頼度を満たす予測間隔で生成する点予測を置き換える手法を提案する。
提案手法は,信頼度を予測に割り当てるための新しい機械学習フレームワークである Conformal Prediction (CP) に従う。
提案手法は,4つのベンチマークデータセットと,電離圏間リンクにおいて重要なパラメータであるトータル・エレクトロン・コンテント(TEC)の予測問題について評価する。
論文 参考訳(メタデータ) (2023-12-15T08:39:02Z) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳(メタデータ) (2023-01-23T18:59:28Z) - Scalable computation of prediction intervals for neural networks via
matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。
本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-06T13:18:31Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳(メタデータ) (2022-04-01T17:57:36Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-02-07T12:30:45Z) - Probabilistic Forecasting with Generative Networks via Scoring Rule
Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。
生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。
本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文 参考訳(メタデータ) (2021-12-15T15:51:12Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳(メタデータ) (2021-10-13T01:23:48Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳(メタデータ) (2021-05-25T14:35:46Z) - Interpretable Machines: Constructing Valid Prediction Intervals with
Random Forests [0.0]
最近の研究で機械学習アルゴリズムを使用する場合の重要な問題は、解釈能力の欠如です。
Random Forest Regression Learnerのこのギャップへの貢献について紹介します。
いくつかのパラメトリックおよび非パラメトリック予測区間がランダムフォレスト点予測のために提供される。
モンテカルロシミュレーションによる徹底的な調査を行い,提案手法の性能を評価した。
論文 参考訳(メタデータ) (2021-03-09T23:05:55Z) - Prediction intervals for Deep Neural Networks [0.0]
ニューラルネットワークのアンサンブルを構築するために,もともとランダム林向けに開発されたランダム化木法を適用した。
アンサンブルで導入された超ランダム性は、予測のばらつきを減少させ、サンプル外の精度で利得を得る。
論文 参考訳(メタデータ) (2020-10-08T15:11:28Z)
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。