論文の概要: Faster online calibration without randomization: interval forecasts and
the power of two choices
- arxiv url: http://arxiv.org/abs/2204.13087v1
- Date: Wed, 27 Apr 2022 17:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-28 13:01:29.681309
- Title: Faster online calibration without randomization: interval forecasts and
the power of two choices
- Title（参考訳）: ランダム化のない高速オンラインキャリブレーション:間隔予測と2つの選択のパワー
- Authors: Chirag Gupta, Aaditya Ramdas
- Abstract要約: 本研究では,逆数の性質によって生成される2進数列に対する校正確率予測問題について検討する。
2つの選択の力」と不正確な確率論の研究に触発され、我々は標準的なオンラインキャリブレーション問題の小さな変種について研究する。
- 参考スコア（独自算出の注目度）: 43.17917448937131
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study the problem of making calibrated probabilistic forecasts for a
binary sequence generated by an adversarial nature. Following the seminal paper
of Foster and Vohra (1998), nature is often modeled as an adaptive adversary
who sees all activity of the forecaster except the randomization that the
forecaster may deploy. A number of papers have proposed randomized forecasting
strategies that achieve an $\epsilon$-calibration error rate of
$O(1/\sqrt{T})$, which we prove is tight in general. On the other hand, it is
well known that it is not possible to be calibrated without randomization, or
if nature also sees the forecaster's randomization; in both cases the
calibration error could be $\Omega(1)$. Inspired by the equally seminal works
on the "power of two choices" and imprecise probability theory, we study a
small variant of the standard online calibration problem. The adversary gives
the forecaster the option of making two nearby probabilistic forecasts, or
equivalently an interval forecast of small width, and the endpoint closest to
the revealed outcome is used to judge calibration. This power of two choices,
or imprecise forecast, accords the forecaster with significant power -- we show
that a faster $\epsilon$-calibration rate of $O(1/T)$ can be achieved even
without deploying any randomization.
- Abstract（参考訳）: 本研究では,敵性によって生成された二分列の確率的予測を校正する問題について検討する。
フォスターとヴォーラの独創的な論文(1998年)に続いて、自然は、予測者が展開できるランダム化を除いて、予測者のすべての活動を見る適応的な敵としてしばしばモデル化される。
いくつかの論文では、$\epsilon$-calibrationエラーレートが$O(1/\sqrt{T})$に達するようなランダム化予測戦略を提案しており、これは一般には厳密である。
一方で、ランダム化なしでは校正が不可能であることや、自然が予測者のランダム化を見る場合、どちらの場合でも校正誤差は$\omega(1)$である可能性があることが知られている。
2つの選択の力」と不正確な確率理論の等しく独創的な研究に触発され、標準オンラインキャリブレーション問題の小さな変種を研究した。
敵は、近くの確率予測を2つ、またはそれと同程度の小さな幅の間隔予測するオプションを与え、明らかな結果に最も近いエンドポイントを用いて校正を判定する。
この2つの選択のパワー、または不正確な予測は、予測器にかなりの力で一致し、より速い$\epsilon$-calibration rate of $O(1/T)$は、ランダム化をデプロイしなくても達成できることを示す。
関連論文リスト
- Experts Don't Cheat: Learning What You Don't Know By Predicting Pairs [35.92045337126979]
モデルに$p(Y|X)$を近似させる戦略を提案し、$widehatp_theta(Y|X)$と$p(Y|X)$の間の残りのギャップを推定する。
提案手法では,曖昧な画像分類,(合成)言語モデリング,部分観測可能なナビゲーションタスクなどにおいて,モデルがどの程度の知識を持っていないかを正確に推定する。
論文 参考訳（メタデータ） (2024-02-13T19:01:45Z) - Variational Prediction [95.00085314353436]
本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。
このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
論文 参考訳（メタデータ） (2023-07-14T18:19:31Z) - 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) - Test-time Recalibration of Conformal Predictors Under Distribution Shift
Based on Unlabeled Examples [30.61588337557343]
コンフォーマル予測器は、ユーザが特定した確率で一連のクラスを計算することで不確実性の推定を提供する。
本研究では,自然分布シフト下での優れた不確実性推定を行う手法を提案する。
論文 参考訳（メタデータ） (2022-10-09T04:46:00Z) - Calibration of Natural Language Understanding Models with Venn--ABERS
Predictors [0.0]
トランスフォーマーは、校正されていない予測や極端な確率を生成する傾向がある。
我々は、事前学習した変換器の選択に基づいて、いくつかの誘導型Venn--ABERS予測器(IVAP)を構築した。
論文 参考訳（メタデータ） (2022-05-21T13:09:01Z) - 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) - 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) - Individual Calibration with Randomized Forecasting [116.2086707626651]
予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。
我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
論文 参考訳（メタデータ） (2020-06-18T05:53:10Z) - Estimation of Accurate and Calibrated Uncertainties in Deterministic
models [0.8702432681310401]
我々は,決定論的予測を確率論的予測に変換する手法を考案した。
そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。
隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
論文 参考訳（メタデータ） (2020-03-11T04:02:56Z)
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。