論文の概要: Inductive Conformal Prediction: A Straightforward Introduction with Examples in Python

• arxiv url: http://arxiv.org/abs/2206.11810v2
• Date: Fri, 24 Jun 2022 01:09:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 09:14:33.756801
• Title: Inductive Conformal Prediction: A Straightforward Introduction with Examples in Python
• Title（参考訳）: 帰納的共形予測: pythonの例で簡単に紹介する
• Authors: Martim Sousa
• Abstract要約: Inductive Conformal Prediction (ICP) は、ユーザ定義の信頼性とカバレッジを保証するために考案された、分布自由かつモデルに依存しないアルゴリズムのセットである。 ICPは、真の出力が高い確率で設定された予測セットに属することを望んでおり、リスクの高い設定において特に重要である。 本論文は実演であり,本論を紹介する際に例を挙げる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inductive Conformal Prediction (ICP) is a set of distribution-free and model agnostic algorithms devised to predict with a user-defined confidence with coverage guarantee. Instead of having point predictions, i.e., a real number in the case of regression or a single class in multi class classification, models calibrated using ICP output an interval or a set of classes, respectively. ICP takes special importance in high-risk settings where we want the true output to belong to the prediction set with high probability. As an example, a classification model might output that given a magnetic resonance image a patient has no latent diseases to report. However, this model output was based on the most likely class, the second most likely class might tell that the patient has a 15% chance of brain tumor or other severe disease and therefore further exams should be conducted. Using ICP is therefore way more informative and we believe that should be the standard way of producing forecasts. This paper is a hands-on introduction, this means that we will provide examples as we introduce the theory.
• Abstract（参考訳）: Inductive Conformal Prediction (ICP) は、ユーザ定義の信頼性とカバレッジを保証するために考案された、分布のないモデルに依存しないアルゴリズムのセットである。 点予測、すなわち回帰の場合の実数や多重クラス分類の単一クラスではなく、ICPを用いてキャリブレーションされたモデルはそれぞれインターバルまたはクラスのセットを出力する。 ICPは、真の出力が高い確率で設定された予測セットに属することを望む高リスク設定において特に重要である。 例えば、分類モデルは、患者が報告すべき潜在疾患を持たない磁気共鳴画像が与えられたときに出力する。 しかし、このモデルの結果は最も可能性の高いクラスに基づいており、2番目に可能性の高いクラスは、脳腫瘍やその他の重篤な疾患の確率が15%であることを示し、さらなる検査を行うべきである。 したがって、ICPの使用はより情報的であり、予測作成の標準的な方法であるべきだと考えています。 本論文は,その理論を紹介する際に,実例を提示するものである。

関連論文リスト

• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• On Temperature Scaling and Conformal Prediction of Deep Classifiers [9.975341265604577]
  この目的のための2つの一般的なアプローチは、(1)最大値が正当性確率をより正確に推定するように分類器のソフトマックス値を変更すること、(2)整形予測(CP):真のラベルを含む候補ラベルの予測セットをユーザ特定確率で生成することである。 実際には、どちらの種類の表示も望ましいが、今のところ両者の相互作用は研究されていない。
  論文  参考訳（メタデータ） (2024-02-08T16:45:12Z)
• Conformal Prediction for Deep Classifier via Label Ranking [29.784336674173616]
  コンフォーマル予測(Conformal prediction)は、予測セットを所望のカバレッジ保証で生成する統計フレームワークである。 我々は、$textitSorted Adaptive Prediction Sets$ (SAPS)という新しいアルゴリズムを提案する。 SAPSは最大ソフトマックス確率を除いて全ての確率値を捨てる。
  論文  参考訳（メタデータ） (2023-10-10T08:54:14Z)
• Performance Metrics for Probabilistic Ordinal Classifiers [1.6653762541912462]
  通常の分類モデルは、真のクラスからさらに離れた予測により高い罰則を割り当てる。 本稿では,階層化確率スコア(RPS, Ranked Probability Score)を画像グレーティングに活用することを提唱する。
  論文  参考訳（メタデータ） (2023-09-15T18:45:15Z)
• RR-CP: Reliable-Region-Based Conformal Prediction for Trustworthy Medical Image Classification [24.52922162675259]
  コンフォーマル予測(CP)は、与えられたテストサンプルに対して一連の予測を生成する。 集合のサイズは、予測がどの程度あるかを示す。 信頼度に基づくコンフォーマル予測(RR-CP)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-09T11:14:04Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
  PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。 効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
  論文  参考訳（メタデータ） (2022-06-14T03:58:03Z)
• A Confidence Machine for Sparse High-Order Interaction Model [16.780058676633914]
  コンフォーマル予測(CP: Conformal Prediction)は、より少ない理論的仮定で予測結果の信頼性を得るための有望な手法である。 我々は,変数間の高次相互作用を考慮に入れた,十分なフレキシブルな,スパース高次相互作用モデル(SHIM)の完全なCPを開発する。
  論文  参考訳（メタデータ） (2022-05-28T03:23:56Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• 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)

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。