Fugu-MT 論文翻訳(概要): Retrain or not retrain: Conformal test martingales for change-point detection

論文の概要: Retrain or not retrain: Conformal test martingales for change-point detection

arxiv url: http://arxiv.org/abs/2102.10439v1
Date: Sat, 20 Feb 2021 20:39:05 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 15:15:23.446946
Title: Retrain or not retrain: Conformal test martingales for change-point detection
Title（参考訳）: Retrain or not retrain: Conformal test martingales for change-point detection
Authors: Vladimir Vovk, Ivan Petej, Ilia Nouretdinov, Ernst Ahlberg, Lars Carlsson, and Alex Gammerman
Abstract要約: 我々は,データの分布が変化するタイミングを検出するためのスキームを設定し,予測アルゴリズムを訓練する過程を補うことを主張する。私たちの提案するスキームは、交換可能なマーチンゲール、すなわちデータの交換可能な分配の下でマーチンゲールであるプロセスに基づいています。
参考スコア（独自算出の注目度）: 0.34635278365524663
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We argue for supplementing the process of training a prediction algorithm by setting up a scheme for detecting the moment when the distribution of the data changes and the algorithm needs to be retrained. Our proposed schemes are based on exchangeability martingales, i.e., processes that are martingales under any exchangeable distribution for the data. Our method, based on conformal prediction, is general and can be applied on top of any modern prediction algorithm. Its validity is guaranteed, and in this paper we make first steps in exploring its efficiency.
Abstract（参考訳）: 我々は,データ分布とアルゴリズムの再学習が必要なタイミングを検出するためのスキームを設定することで,予測アルゴリズムの学習過程を補うことを主張する。私たちの提案するスキームは、交換可能なマーチンゲール、すなわちデータの交換可能な分配の下でマーチンゲールであるプロセスに基づいています。本手法は, 共形予測に基づく手法が一般的であり, 現代の予測アルゴリズムでも適用可能である。その妥当性は保証されており,本稿ではその効率性を探るための第一歩を踏み出す。

関連論文リスト

Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-27T21:46:42Z)
Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文参考訳（メタデータ） (2023-06-14T08:00:49Z)
Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。歴史的情報を適切に再利用するオンライン手法を提案する。我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文参考訳（メタデータ） (2023-02-06T04:03:33Z)
Conformal Inference for Online Prediction with Arbitrary Distribution Shifts [1.2277343096128712]
我々は、データを生成する分布が時間とともに変化するオンライン環境において、予測セットを形成するという問題を考察する。与えられた幅のすべての局所時間間隔に対して,確実に小さな後悔を伴う新規な手順を開発する。我々は、株式市場のボラティリティと新型コロナウイルス(COVID-19)のケース数を予測するために、2つの実世界のデータセットで、我々の技術を試した。
論文参考訳（メタデータ） (2022-08-17T16:51:12Z)
Accuracy Convergent Field Predictors [0.0]
予測精度の収束を達成するためにアルゴリズムを適応する方法について述べる。ハイライトは、トレーニングデータインスタンスに関連するフィールドを重畳することで予測を行う変種である。
論文参考訳（メタデータ） (2022-05-07T20:02:43Z)
Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文参考訳（メタデータ） (2022-02-21T13:18:11Z)
Adaptive Conformal Inference Under Distribution Shift [0.0]
本研究では,未知の方法でデータ生成分布を時間とともに変化させるオンライン環境において,予測セットを形成する手法を開発した。我々のフレームワークは、任意のブラックボックスメソッドと組み合わせられる一般的なラッパーを提供するために、共形推論のアイデアに基づいている。我々は,2つの実世界のデータセット上で適応型共形推論法を検証し,その予測が可視的および有意な分布シフトに対して堅牢であることを見出した。
論文参考訳（メタデータ） (2021-06-01T01:37:32Z)
Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文参考訳（メタデータ） (2020-04-29T10:54:40Z)
A Distributional Analysis of Sampling-Based Reinforcement Learning Algorithms [67.67377846416106]
定常ステップサイズに対する強化学習アルゴリズムの理論解析に対する分布的アプローチを提案する。本稿では,TD($lambda$)や$Q$-Learningのような値ベースの手法が,関数の分布空間で制約のある更新ルールを持つことを示す。
論文参考訳（メタデータ） (2020-03-27T05:13:29Z)
Calibrated Prediction with Covariate Shift via Unsupervised Domain Adaptation [25.97333838935589]
不確実性推定は、自律的なエージェントや人間の意思決定者が予測モデルを理解し、活用するのを助ける重要なツールである。既存のアルゴリズムは確実性を過大評価し、予測モデルに誤った自信を与える可能性がある。
論文参考訳（メタデータ） (2020-02-29T20:31:04Z)
Model adaptation and unsupervised learning with non-stationary batch data under smooth concept drift [8.068725688880772]
ほとんどの予測モデルは、トレーニングとテストデータは定常的なプロセスから生成されると仮定する。我々は、データソースの非定常性に起因する段階的な概念の漂流のシナリオを考察する。予測モデルの教師なし適応のための新しい反復アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-02-10T21:29:09Z)

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。