Fugu-MT 論文翻訳(概要): Stable Conformal Prediction Sets

論文の概要: Stable Conformal Prediction Sets

arxiv url: http://arxiv.org/abs/2112.10224v1
Date: Sun, 19 Dec 2021 18:53:32 GMT
ステータス: 処理完了
システム内更新日: 2021-12-22 04:27:01.403353
Title: Stable Conformal Prediction Sets
Title（参考訳）: 安定共形予測集合
Authors: Eugene Ndiaye
Abstract要約: 同型予測は、$y_n+1$$$x_n+1$の信頼セットを推定できる方法論である。魅力的である一方、そのような集合の計算は一般に不可能であることが判明した。共形予測手法をアルゴリズム的安定性境界と組み合わせて、単一のモデルに適合する計算可能な予測セットを導出する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: When one observes a sequence of variables $(x_1, y_1), ..., (x_n, y_n)$, conformal prediction is a methodology that allows to estimate a confidence set for $y_{n+1}$ given $x_{n+1}$ by merely assuming that the distribution of the data is exchangeable. While appealing, the computation of such set turns out to be infeasible in general, e.g. when the unknown variable $y_{n+1}$ is continuous. In this paper, we combine conformal prediction techniques with algorithmic stability bounds to derive a prediction set computable with a single model fit. We perform some numerical experiments that illustrate the tightness of our estimation when the sample size is sufficiently large.
Abstract（参考訳）: 変数列 $(x_1, y_1), ..., (x_n, y_n)$ を観測すると、共形予測は、データの分布が交換可能であると単純に仮定して、$y_{n+1}$ に対する信頼セットを推定できる方法論である。魅力的である一方、そのような集合の計算は一般には不可能であることが判明し、例えば未知変数 $y_{n+1}$ が連続であるときなどである。本稿では,共形予測手法をアルゴリズム的安定性境界と組み合わせて,単一のモデルに適合する計算可能な予測セットを導出する。我々は,試料サイズが十分大きい場合,推定の厳密さを示す数値実験を行った。

関連論文リスト

Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。 C=e(log H)1-Omega(1)$。
論文参考訳（メタデータ） (2025-02-18T02:52:00Z)
Outsourced diffusion sampling: Efficient posterior inference in latent spaces of generative models [65.71506381302815]
本稿では、$p(mathbfxmidmathbfy) propto p_theta(mathbfx)$ という形式の後続分布からサンプリングするコストを償却する。多くのモデルと関心の制約に対して、ノイズ空間の後方はデータ空間の後方よりも滑らかであり、そのような償却推論に対してより快適である。
論文参考訳（メタデータ） (2025-02-10T19:49:54Z)
Online Covariance Estimation in Nonsmooth Stochastic Approximation [14.818683408659764]
非滑らかな変分包含問題を解くために近似法(SA)を適用することを検討する。我々の収束構造は、統計的推定法で最もよく知られているものを確立する。
論文参考訳（メタデータ） (2025-02-07T20:16:51Z)
Conformalization of Sparse Generalized Linear Models [2.1485350418225244]
等角予測法は、任意の有限サンプルサイズに対して有効である$y_n+1$の信頼セットを推定する。魅力的ではあるが、そのような集合の計算は多くの回帰問題において計算不可能である。経路追従アルゴリズムが共形予測集合を正確に近似する方法を示す。
論文参考訳（メタデータ） (2023-07-11T08:36:12Z)
Conformal Nucleus Sampling [67.5232384936661]
最上位のp$集合が、様々な言語文脈における確率的意味と実際に一致しているかを評価する。 OPTモデルは過信であり、キャリブレーションはモデルサイズで適度な逆スケーリングを示す。
論文参考訳（メタデータ） (2023-05-04T08:11:57Z)
Exact and Approximate Conformal Inference for Multi-Output Regression [0.0]
コンフォーマル推論は、予測に関連する不確実性を定量化するために機械学習で使用される。本稿では,多出力回帰を考察し,共形推論の正確な導出を$p$-値で行う。また、実世界とシミュレーションデータの両方を用いて、これらの手法の有効性に関する理論的および実証的な証拠を提供する。
論文参考訳（メタデータ） (2022-10-31T15:41:13Z)
A lower confidence sequence for the changing mean of non-negative right heavy-tailed observations with bounded mean [9.289846887298854]
信頼シーケンスは、時間パラメトリックカバレッジ保証付き予測可能なパラメータシーケンスに対する適応されたセット列を生成する。この研究は、スラックが0に収束するランニング平均条件付き期待値に対して、漸近的でない低CSを構成する。
論文参考訳（メタデータ） (2022-10-20T09:50:05Z)
Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文参考訳（メタデータ） (2021-06-07T17:44:49Z)
Optimal Sub-Gaussian Mean Estimation in $\mathbb{R}$ [5.457150493905064]
ガウス下収束を考慮した新しい推定器を提案する。我々の推定器はその分散に関する事前の知識を必要としない。我々の推定器の構成と分析は、他の問題に一般化可能なフレームワークを提供する。
論文参考訳（メタデータ） (2020-11-17T02:47:24Z)
Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。 i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文参考訳（メタデータ） (2020-07-16T06:44:44Z)
Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。