論文の概要: Right Decisions from Wrong Predictions: A Mechanism Design Alternative
to Individual Calibration
- arxiv url: http://arxiv.org/abs/2011.07476v2
- Date: Tue, 2 Mar 2021 06:03:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 07:12:40.076313
- Title: Right Decisions from Wrong Predictions: A Mechanism Design Alternative
to Individual Calibration
- Title(参考訳): 間違った予測からの正しい判断:個別の校正に代わるメカニズム設計
- Authors: Shengjia Zhao, Stefano Ermon
- Abstract要約: 意思決定者は、しばしば不完全な確率予測に頼る必要がある。
本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。
本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
- 参考スコア(独自算出の注目度): 107.15813002403905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Decision makers often need to rely on imperfect probabilistic forecasts.
While average performance metrics are typically available, it is difficult to
assess the quality of individual forecasts and the corresponding utilities. To
convey confidence about individual predictions to decision-makers, we propose a
compensation mechanism ensuring that the forecasted utility matches the
actually accrued utility. While a naive scheme to compensate decision-makers
for prediction errors can be exploited and might not be sustainable in the long
run, we propose a mechanism based on fair bets and online learning that
provably cannot be exploited. We demonstrate an application showing how
passengers could confidently optimize individual travel plans based on flight
delay probabilities estimated by an airline.
- Abstract(参考訳): 意思決定者は、しばしば不完全な確率予測に頼る必要がある。
平均的なパフォーマンス指標は一般的に利用可能であるが、個々の予測と対応するユーティリティの品質を評価するのは難しい。
個人予測の信頼性を意思決定者に伝えるため,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。
予測エラーに対する意思決定者の補償策が有効であり、長期的には持続できない可能性がある一方で、公正な賭けやオンライン学習を確実に活用できないメカニズムを提案する。
本研究では、航空会社が推定する飛行遅延確率に基づいて、乗客が個々の旅行計画をどのように確実に最適化できるかを示す。
関連論文リスト
- Self-Consistent Conformal Prediction [19.618287674956477]
コンフォーマル予測は、意思決定者が行動の結果の不確実性を定量化し、より良いリスク管理を可能にする。
本稿では,モデル予測によって誘導される行動に有効な,Venn-Abers校正予測と共形予測間隔の両方をもたらす自己整合整合予測を導入する。
論文 参考訳(メタデータ) (2024-02-11T21:12:21Z) - Conformal Decision Theory: Safe Autonomous Decisions from Imperfect
Predictions [86.20287931084626]
不完全な機械学習予測にも拘わらず、安全な自律的意思決定を実現するためのフレームワークであるコンフォーマル決定理論を導入する。
私たちのアルゴリズムが生み出す決定は、リスクが低いという証明可能な統計的保証があるという意味では安全です。
実験は、人間のまわりのロボットの動き計画、自動株式取引、ロボット製造において、我々のアプローチの有用性を実証する。
論文 参考訳(メタデータ) (2023-10-09T17:59:30Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - Fairness-enhancing deep learning for ride-hailing demand prediction [3.911105164672852]
オンデマンド配車サービスの短期需要予測は、インテリジェント交通システムにおける基本的な問題の一つである。
これまでの旅行需要予測研究は、予測精度の改善、公平性の問題の無視に重点を置いていた。
本研究では,不利コミュニティと特権コミュニティの間の予測公平性を評価・評価・向上する方法について検討する。
論文 参考訳(メタデータ) (2023-03-10T04:37:14Z) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳(メタデータ) (2023-02-03T15:11:39Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳(メタデータ) (2022-06-13T21:31:06Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳(メタデータ) (2022-05-04T04:23:38Z) - Robust Nonparametric Distribution Forecast with Backtest-based Bootstrap
and Adaptive Residual Selection [14.398720944586803]
分布予測は予測の不確実性を定量化し、対応する推定確率で様々な予測シナリオを提供する。
本稿では,バックテストベースのブートストラップと適応的残差選択に依存する,実用的で堅牢な分布予測フレームワークを提案する。
論文 参考訳(メタデータ) (2022-02-16T09:53:48Z) - Evaluation of Machine Learning Techniques for Forecast Uncertainty
Quantification [0.13999481573773068]
アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。
アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。
本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
論文 参考訳(メタデータ) (2021-11-29T16:52:17Z) - When Does Uncertainty Matter?: Understanding the Impact of Predictive
Uncertainty in ML Assisted Decision Making [68.19284302320146]
我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。
その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。
このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
論文 参考訳(メタデータ) (2020-11-12T02:23:53Z)
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。