論文の概要: Moment Multicalibration for Uncertainty Estimation
- arxiv url: http://arxiv.org/abs/2008.08037v1
- Date: Tue, 18 Aug 2020 17:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 20:54:57.468137
- Title: Moment Multicalibration for Uncertainty Estimation
- Title(参考訳): 不確実性推定のためのモーメント多重化
- Authors: Christopher Jung, Changhwa Lee, Mallesh M. Pai, Aaron Roth, Rakesh
Vohra
- Abstract要約: H'ebert-Johnson et al から "multicalibration" という概念を実現する方法を示す。
モーメント推定は、モーメント多重校正が得られた全ての(十分大きい)サブグループに対して同時に有効であるような限界予測間隔を導出するために用いられることを示す。
- 参考スコア(独自算出の注目度): 11.734565447730501
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We show how to achieve the notion of "multicalibration" from H\'ebert-Johnson
et al. [2018] not just for means, but also for variances and other higher
moments. Informally, it means that we can find regression functions which,
given a data point, can make point predictions not just for the expectation of
its label, but for higher moments of its label distribution as well-and those
predictions match the true distribution quantities when averaged not just over
the population as a whole, but also when averaged over an enormous number of
finely defined subgroups. It yields a principled way to estimate the
uncertainty of predictions on many different subgroups-and to diagnose
potential sources of unfairness in the predictive power of features across
subgroups. As an application, we show that our moment estimates can be used to
derive marginal prediction intervals that are simultaneously valid as averaged
over all of the (sufficiently large) subgroups for which moment
multicalibration has been obtained.
- Abstract(参考訳): H\'ebert-Johnson et al から "multicalibration" という概念を実現する方法を示す。
[2018] 手段だけでなく,分散やその他の高次モーメントにも役立ちます。
非公式に言えば、データポイントを与えられた回帰関数は、ラベルの期待値だけでなく、ラベル分布のより高いモーメントでも、その予測値が、人口全体の平均値だけでなく、膨大な数の細かな部分群の平均値でも真の分布量と一致するような点予測をすることができる。
これは、様々なサブグループの予測の不確かさを推定し、サブグループ間の特徴の予測力における不公平な原因を診断するための原則的な方法をもたらす。
応用として、モーメント推定は、モーメント多重校正が得られた全ての(十分大きい)サブグループに対して、同時に有効であるような限界予測間隔を導出するために利用できることを示す。
関連論文リスト
- An Improved Algorithm for Learning Drifting Discrete Distributions [2.2191203337341525]
分散ドリフト下で離散分布を学習するための新しい適応アルゴリズムを提案する。
時間とともに変化する離散分布から独立したサンプルの列を観察し、その目標は現在の分布を推定することである。
より多くのサンプルを使用するには、過去にさらにサンプルに頼らなければならず、分布の変化によって生じるバイアスによりドリフトエラーが発生する。
ドリフトに関する事前の知識を必要とせずにこのトレードオフを解くことができる新しい適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-03-08T16:54:27Z) - Correcting Underrepresentation and Intersectional Bias for Fair
Classification [55.2480439325792]
偏見バイアスによって劣化したデータから学習する問題について考察し, 正の例を, 一定の数のセンシティブなグループに対して, 異なる未知のレートでフィルタする。
交叉群のメンバーシップが各交叉率を計算不能にするような設定であっても,少数の偏りのないデータを用いてグループワイド・ドロップアウトパラメータを効率的に推定できることが示される。
我々は,この学習と再重み付け過程をカプセル化するアルゴリズムを提案し,高い確率で真の分布に対する仮説のリスクが任意に近いことをPACスタイルの強い保証を提供する。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - On Fairness and Stability: Is Estimator Variance a Friend or a Foe? [6.751310968561177]
分散度におけるグループワイドパリティに基づく新しいパフォーマンス指標群を提案する。
フェアネス分析による不確実性定量化手法を再現したオープンソースライブラリを開発し,リリースする。
論文 参考訳(メタデータ) (2023-02-09T09:35:36Z) - Uncertainty Estimates of Predictions via a General Bias-Variance
Decomposition [7.811916700683125]
本稿では,適切なスコアに対するバイアス分散分解を導入し,分散項としてブレグマン情報を導出する。
モデルアンサンブルや信頼領域を含む下流タスクにおけるこの分解の実践的妥当性を示す。
論文 参考訳(メタデータ) (2022-10-21T21:24:37Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Universal Off-Policy Evaluation [64.02853483874334]
ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す
我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
論文 参考訳(メタデータ) (2021-04-26T18:54:31Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳(メタデータ) (2021-03-23T17:48:56Z) - Individual Calibration with Randomized Forecasting [116.2086707626651]
予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。
我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
論文 参考訳(メタデータ) (2020-06-18T05:53:10Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。