Fugu-MT 論文翻訳(概要): Copula-based conformal prediction for Multi-Target Regression

論文の概要: Copula-based conformal prediction for Multi-Target Regression

arxiv url: http://arxiv.org/abs/2101.12002v1
Date: Thu, 28 Jan 2021 14:06:25 GMT
ステータス: 処理完了
システム内更新日: 2021-02-01 00:19:19.241253
Title: Copula-based conformal prediction for Multi-Target Regression
Title（参考訳）: copula-based conformal prediction for multi-target regression
Authors: Soundouss Messoudi, S\'ebastien Destercke, Sylvain Rousseau
Abstract要約: 本稿では,ディープニューラルネットワークに適用したコプラ関数を用いて帰納的共形予測を提案する。提案手法により,多目的回帰問題の効率性と妥当性が保証されることを示す。
参考スコア（独自算出の注目度）: 3.222802562733787
License: http://creativecommons.org/licenses/by/4.0/
Abstract: There are relatively few works dealing with conformal prediction for multi-task learning issues, and this is particularly true for multi-target regression. This paper focuses on the problem of providing valid (i.e., frequency calibrated) multi-variate predictions. To do so, we propose to use copula functions applied to deep neural networks for inductive conformal prediction. We show that the proposed method ensures efficiency and validity for multi-target regression problems on various data sets.
Abstract（参考訳）: マルチタスク学習の問題に対する共形予測を扱う作業は比較的少なく、これは特にマルチターゲット回帰に当てはまる。本稿では、有効(周波数校正)な多変量予測を提供することの課題に焦点をあてる。そこで本研究では,深層ニューラルネットワークに適用したcopula関数を用いたインダクティブ共形予測を提案する。提案手法は,様々なデータセット上のマルチターゲット回帰問題に対する効率性と妥当性を保証する。

関連論文リスト

AdaPTS: Adapting Univariate Foundation Models to Probabilistic Multivariate Time Series Forecasting [10.899510048905926]
本稿では,機能間の複雑な依存関係を管理し,予測の不確実性を定量化するアダプタを提案する。合成データセットと実世界のデータセットの両方で実施された実験により、アダプタの有効性が確認された。私たちのフレームワークであるAdaPTSは、アダプタをモジュール的でスケーラブルで効果的なソリューションとして位置づけています。
論文参考訳（メタデータ） (2025-02-14T15:46:19Z)
AdaPRL: Adaptive Pairwise Regression Learning with Uncertainty Estimation for Universal Regression Tasks [0.0]
回帰タスクのための適応型ペアワイズ学習フレームワーク(AdaPRL)を提案する。 AdaPRLは、データポイントと深い確率モデルの間の相対的な差異を利用して、予測に関連する不確実性を定量化する。実験により、AdaPRLが最近提案された回帰フレームワークにシームレスに統合され、パフォーマンスが向上することが示された。
論文参考訳（メタデータ） (2025-01-10T09:19:10Z)
Neural Conformal Control for Time Series Forecasting [54.96087475179419]
非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
論文参考訳（メタデータ） (2024-12-24T03:56:25Z)
Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文参考訳（メタデータ） (2024-11-04T14:29:02Z)
Analysing Multi-Task Regression via Random Matrix Theory with Application to Time Series Forecasting [16.640336442849282]
我々は,マルチタスク最適化問題を正規化手法として定式化し,マルチタスク学習情報を活用することを可能とする。線形モデルの文脈におけるマルチタスク最適化のための閉形式解を導出する。
論文参考訳（メタデータ） (2024-06-14T17:59:25Z)
MGCP: A Multi-Grained Correlation based Prediction Network for Multivariate Time Series [54.91026286579748]
本稿では,マルチグラインド相関に基づく予測ネットワークを提案する。予測性能を高めるために3段階の相関を同時に検討する。注意機構に基づく予測器と条件判別器を用いて、粗い粒度の予測結果を最適化する。
論文参考訳（メタデータ） (2024-05-30T03:32:44Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文参考訳（メタデータ） (2021-11-11T14:28:12Z)
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。