論文の概要: Approximation to Object Conditional Validity with Conformal Predictors
- arxiv url: http://arxiv.org/abs/2102.07436v1
- Date: Mon, 15 Feb 2021 10:14:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:36:13.169471
- Title: Approximation to Object Conditional Validity with Conformal Predictors
- Title（参考訳）: コンフォーマル予測器によるオブジェクト条件付き妥当性の近似
- Authors: Anthony Bellotti
- Abstract要約: コンフォーマル予測器は、有限サンプルの限界的妥当性を保証する予測間隔を出力する機械学習アルゴリズムです。
このような条件付き妥当性は有限サンプルの非自明な予測問題を保証することは不可能であることが示されている。
本稿では,条件付き妥当性の強い結果を得るのではなく,条件付き妥当性の近似を達成するという,より弱い目標を考える。
- 参考スコア（独自算出の注目度）: 0.2538209532048866
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Conformal predictors are machine learning algorithms that output prediction
intervals that have a guarantee of marginal validity for finite samples with
minimal distributional assumptions. This is a property that makes conformal
predictors useful for machine learning tasks where we require reliable
predictions. It would also be desirable to achieve conditional validity in the
same setting, in the sense that validity of the prediction intervals remains
valid regardless of conditioning on any property of the object of the
prediction. Unfortunately, it has been shown that such conditional validity is
impossible to guarantee for non-trivial prediction problems for finite samples.
In this article, instead of trying to achieve a strong conditional validity
result, the weaker goal of achieving an approximation to conditional validity
is considered. A new algorithm is introduced to do this by iteratively
adjusting a conformity measure to deviations from object conditional validity
measured in the training data. Along with some theoretical results,
experimental results are provided for three data sets that demonstrate (1) in
real world machine learning tasks, lack of conditional validity is a measurable
problem and (2) that the proposed algorithm is effective at alleviating this
problem.
- Abstract（参考訳）: 共形予測器は、最小分布仮定で有限サンプルの限界妥当性を保証する予測間隔を出力する機械学習アルゴリズムである。
これは、信頼できる予測を必要とする機械学習タスクに共形予測器を役立てる特性である。
予測区間の妥当性は、予測対象の任意の特性に対する条件付けにかかわらず有効であるという意味で、同じ設定で条件付き妥当性を達成することも望ましい。
残念ながら、そのような条件付き妥当性は有限サンプルの非自明な予測問題を保証することは不可能であることが示されている。
本稿では,条件付き妥当性の強い結果を得るのではなく,条件付き妥当性の近似を達成するという,より弱い目標を考える。
訓練データで測定した対象条件妥当性の偏差に対して適合性尺度を反復的に調整することにより,新たなアルゴリズムを導入する。
その結果,(1)実世界の機械学習タスクにおいて,条件付き妥当性の欠如は測定可能な問題であり,(2)提案手法がこの問題の軽減に有効であることを示す3つのデータセットについて実験結果が得られた。
関連論文リスト
- Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
生成モデルは出力に対する厳密な統計的保証を欠いている。
厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。
このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
論文 参考訳（メタデータ） (2024-10-02T15:26:52Z) - Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [0.0]
コンフォーマル予測は、ユーザ指定の重要度レベルで有効な予測セットを保証するために、交換可能なデータを必要とする。
適応共形推論 (Adaptive conformal inference, ACI) は、この制限に対処するために導入された。
我々は、ACIが共形予測器を必要とせず、より一般的な信頼性予測器で実装可能であることを示す。
論文 参考訳（メタデータ） (2024-09-23T21:02:33Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-07-01T20:44:48Z) - Length Optimization in Conformal Prediction [22.733758606168873]
我々は,共形予測の原理的枠組みとして,CPL(Conformal Prediction with Length-Optimization)を開発した。
CPLは条件付き妥当性を確保しつつ(ほぼ)最適な長さで予測セットを構築する。
実験による評価は, CPLの最先端手法と比較して, 予測セットサイズ性能が優れていることを示す。
論文 参考訳（メタデータ） (2024-06-27T01:08:04Z) - 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) - Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
逐次予測のための一般的な共形予測法を提案する。
相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。
これは計算的に軽量であり、分割共形予測に匹敵する。
論文 参考訳（メタデータ） (2022-06-02T14:33:00Z) - 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) - Conformal prediction for the design problem [72.14982816083297]
機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。
このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。
このような環境で予測の不確実性を定量化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-08T02:59:12Z) - 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) - Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。
本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。
私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文 参考訳（メタデータ） (2020-08-10T17:09:16Z)
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。