論文の概要: Universal Prediction Band via Semi-Definite Programming
- arxiv url: http://arxiv.org/abs/2103.17203v1
- Date: Wed, 31 Mar 2021 16:30:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 14:39:44.834174
- Title: Universal Prediction Band via Semi-Definite Programming
- Title(参考訳): 半定義型プログラミングによるユニバーサル予測バンド
- Authors: Tengyuan Liang
- Abstract要約: 不確実性定量化のための非パラメトリックヘテロスケダスティック予測バンドを構築する方法を提案する。
データ適応予測帯域は、最小分布仮定で普遍的に適用できる。
- 参考スコア(独自算出の注目度): 4.401255328572734
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a computationally efficient method to construct nonparametric,
heteroskedastic prediction bands for uncertainty quantification, with or
without any user-specified predictive model. The data-adaptive prediction band
is universally applicable with minimal distributional assumptions, with strong
non-asymptotic coverage properties, and easy to implement using standard convex
programs. Our approach can be viewed as a novel variance interpolation with
confidence and further leverages techniques from semi-definite programming and
sum-of-squares optimization. Theoretical and numerical performances for the
proposed approach for uncertainty quantification are analyzed.
- Abstract(参考訳): 本研究では,不確実性定量化のための非パラメトリックなヘテロスケダスティック予測帯域を,ユーザ特定予測モデルを用いて構築する手法を提案する。
データ適応予測帯域は、最小分布仮定で普遍的に適用でき、強い非漸近被覆特性を持ち、標準凸プログラムを用いて容易に実装できる。
提案手法は信頼性のある新しい分散補間であり,半定値プログラミングと2乗和最適化の手法を更に活用する。
不確実性定量化のための提案手法の理論的および数値的性能を解析した。
関連論文リスト
- Conformalized Interval Arithmetic with Symmetric Calibration [9.559062601251464]
我々は,複数の目標の和に対する予測区間に対して,単一目標に対する共形予測区間を開発する。
提案手法は, 既存のコンフォメーション手法や非コンフォメーション手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-08-20T15:27:18Z) - 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) - Non-Convex Robust Hypothesis Testing using Sinkhorn Uncertainty Sets [18.46110328123008]
非破壊仮説テスト問題に対処する新しい枠組みを提案する。
目標は、最大数値リスクを最小限に抑える最適な検出器を探すことである。
論文 参考訳(メタデータ) (2024-03-21T20:29:43Z) - Conformalized Adaptive Forecasting of Heterogeneous Trajectories [8.022222226139032]
本稿では,新しいランダム軌道の全経路を十分に高い確率でカバーすることを保証された同時予測帯域を生成するための新しいコンフォメーション手法を提案する。
この解はどちらも原則であり、正確な有限サンプル保証を提供し、しばしば以前の方法よりもより情報的な予測をもたらす。
論文 参考訳(メタデータ) (2024-02-14T23:57:19Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - 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) - Optimal Learning via Moderate Deviations Theory [4.6930976245638245]
我々は、中等度偏差原理に基づくアプローチを用いて、高精度な信頼区間の体系的構築を開発する。
提案した信頼区間は,指数的精度,最小性,整合性,誤評価確率,結果整合性(UMA)特性の基準を満たすという意味で統計的に最適であることが示されている。
論文 参考訳(メタデータ) (2023-05-23T19:57:57Z) - 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) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z)
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。