論文の概要: MD-split+: Practical Local Conformal Inference in High Dimensions

• arxiv url: http://arxiv.org/abs/2107.03280v1
• Date: Wed, 7 Jul 2021 15:19:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-08 17:36:21.330965
• Title: MD-split+: Practical Local Conformal Inference in High Dimensions
• Title（参考訳）: MD-split+:高次元の局所等角推論
• Authors: Benjamin LeRoy and David Zhao
• Abstract要約: MD-split+は、局所化されたモデル性能に基づいてXパーティションを生成する、実用的な局所共形アプローチである。 我々は,我々の局所的分割が条件付き共形推論手法から期待される行動と哲学的にどのように一致しているかを論じる。
• 参考スコア（独自算出の注目度）: 0.5439020425819
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantifying uncertainty in model predictions is a common goal for practitioners seeking more than just point predictions. One tool for uncertainty quantification that requires minimal assumptions is conformal inference, which can help create probabilistically valid prediction regions for black box models. Classical conformal prediction only provides marginal validity, whereas in many situations locally valid prediction regions are desirable. Deciding how best to partition the feature space X when applying localized conformal prediction is still an open question. We present MD-split+, a practical local conformal approach that creates X partitions based on localized model performance of conditional density estimation models. Our method handles complex real-world data settings where such models may be misspecified, and scales to high-dimensional inputs. We discuss how our local partitions philosophically align with expected behavior from an unattainable conditional conformal inference approach. We also empirically compare our method against other local conformal approaches.
• Abstract（参考訳）: モデル予測の不確実性の定量化は、単なるポイント予測以上のものを求める実践者にとって共通の目標である。 最小仮定を必要とする不確実性定量化のツールの一つが共形推論であり、ブラックボックスモデルの確率的に妥当な予測領域を作成するのに役立つ。 古典的共形予測は限界有効性しか示さないが、多くの状況では局所的に有効な予測領域が望ましい。 ローカライズされた共形予測を適用する場合、機能空間 x を分割する最善の決定は、まだ未解決の問題である。 本稿では,条件密度推定モデルの局所化モデルの性能に基づいて,Xパーティションを生成する,実用的な局所共形手法MD-split+を提案する。 提案手法は,複雑な実世界データの設定を処理し,高次元入力にスケールする。 我々は, 条件付き等角的推論手法を用いて, 局所的分割が期待される行動と哲学的に整合する方法について論じる。 また,本手法を他の局所共形アプローチと比較した。

関連論文リスト

• 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)
• From Conformal Predictions to Confidence Regions [1.4272411349249627]
  モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。 本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。 本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
  論文  参考訳（メタデータ） (2024-05-28T21:33:12Z)
• Guarantee Regions for Local Explanations [29.429229877959663]
  局所的な説明が正しいと保証される領域を同定するアンカーベースアルゴリズムを提案する。 提案手法は,局所代理モデルの予測が予測モデルと一致するように保証される,解釈可能な特徴整合ボックスを生成する。
  論文  参考訳（メタデータ） (2024-02-20T06:04:44Z)
• Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
  本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。 回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。 提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
  論文  参考訳（メタデータ） (2024-02-12T01:17:09Z)
• Distribution-Free Conformal Joint Prediction Regions for Neural Marked Temporal Point Processes [4.324839843326325]
  我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。 主な目的は、イベントの到着時刻とマークに対する分布自由な共同予測領域を生成し、有限サンプルの限界カバレッジを保証することである。
  論文  参考訳（メタデータ） (2024-01-09T15:28:29Z)
• Multi-Modal Conformal Prediction Regions with Simple Structures by Optimizing Convex Shape Templates [19.504348671777006]
  コンフォーマル予測は、高い確率で有効な機械学習モデルの予測領域を生成する統計ツールである。 共形予測アルゴリズムの重要な構成要素は、モデルの予測が未知の基底真理値とどのように異なるかを定量化するエンフノン整合スコア関数である。 キャリブレーションデータよりもパラメータ化されたエンフシェープテンプレート関数を最適化し,最小体積の予測領域を生成する非整合スコア関数を提案する。
  論文  参考訳（メタデータ） (2023-12-12T17:00:13Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• RbX: Region-based explanations of prediction models [69.3939291118954]
  領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。 RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
  論文  参考訳（メタデータ） (2022-10-17T03:38:06Z)
• 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)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。