論文の概要: Split Localized Conformal Prediction
- arxiv url: http://arxiv.org/abs/2206.13092v1
- Date: Mon, 27 Jun 2022 07:53:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 14:05:04.854687
- Title: Split Localized Conformal Prediction
- Title(参考訳): スプリット局所化等角予測
- Authors: Xing Han, Ziyang Tang, Joydeep Ghosh, Qiang Liu
- Abstract要約: 条件分布の局所近似を利用して修正された非整合性スコアを提案する。
修正されたスコアは分割共形法の精神を継承し、完全共形法と比較して単純かつ効率的である。
- 参考スコア(独自算出の注目度): 20.44976410408424
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Conformal prediction is a simple and powerful tool that can quantify
uncertainty without any distributional assumptions. However, existing methods
can only provide an average coverage guarantee, which is not ideal compared to
the stronger conditional coverage guarantee. Although achieving exact
conditional coverage is proven to be impossible, approximating conditional
coverage is still an important research direction. In this paper, we propose a
modified non-conformity score by leveraging local approximation of the
conditional distribution. The modified score inherits the spirit of split
conformal methods, which is simple and efficient compared with full conformal
methods but better approximates conditional coverage guarantee. Empirical
results on various datasets, including a high dimension age regression on
image, demonstrate that our method provides tighter intervals compared to
existing methods.
- Abstract(参考訳): 共形予測は、分布的仮定なしに不確かさを定量化できる単純で強力なツールである。
しかし,既存の手法では,より強い条件付きカバレッジ保証に比べて理想的な平均カバレッジ保証しか提供できない。
正確な条件付きカバレッジは不可能であることが証明されているが、条件付きカバレッジの近似は依然として重要な研究方向である。
本稿では,条件分布の局所近似を利用して,修正された非整合性スコアを提案する。
修正されたスコアは分割型コンフォメーション法の精神を継承し、完全コンフォメーション法と比較してシンプルで効率的であるが、条件付きカバレッジの保証をよりよく近似する。
画像上の高次元年齢回帰を含む様々なデータセットにおける実験結果から,本手法が既存手法と比較して厳密な間隔を提供することを示す。
関連論文リスト
- Conditionally valid Probabilistic Conformal Prediction [57.80927226809277]
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,予測セットを作成する手法を開発した。
提案手法の有効性を広範囲なシミュレーションにより実証し,条件付きカバレッジで既存手法より優れていることを示す。
論文 参考訳(メタデータ) (2024-07-01T20:44:48Z) - Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。
非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。
この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
論文 参考訳(メタデータ) (2023-12-25T20:02:51Z) - Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳(メタデータ) (2023-11-03T21:19:59Z) - Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。
クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
論文 参考訳(メタデータ) (2023-06-15T17:59:02Z) - Adaptive Conformal Regression with Jackknife+ Rescaled Scores [7.176758110912026]
コンフォーマル回帰は、グローバルなカバレッジ保証を伴う予測間隔を提供するが、しばしば局所的なエラー分布をキャプチャできない。
そこで本研究では,局所的なスコア分布を推定し,コンフォーマルスコアの再スケーリングに基づく新しい適応手法を用いてこの問題に対処する。
提案手法は, 公式なグローバルカバレッジ保証を保証し, キャリブレーションスコアのアフターリバウンドを含む, 局所カバレッジに関する新たな理論的結果によって支持される。
論文 参考訳(メタデータ) (2023-05-31T14:32:26Z) - Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。
理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
論文 参考訳(メタデータ) (2022-06-09T10:39:33Z) - Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
逐次予測のための一般的な共形予測法を提案する。
相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。
これは計算的に軽量であり、分割共形予測に匹敵する。
論文 参考訳(メタデータ) (2022-06-02T14:33:00Z) - Uncertainty Sets for Image Classifiers using Conformal Prediction [112.54626392838163]
本稿では,任意の分類器を修飾して真のラベルを含む予測集合を,90%などのユーザ指定確率で出力するアルゴリズムを提案する。
このアルゴリズムはPlatetスケーリングのようにシンプルで高速だが、すべてのモデルとデータセットに対して正式な有限サンプルカバレッジを保証する。
提案手法は,Plattスケーリング後の可逆クラスの小さなスコアを正規化することにより,より安定した予測セットを与えるために,既存の共形予測アルゴリズムを改良する。
論文 参考訳(メタデータ) (2020-09-29T17:58:04Z) - Classification with Valid and Adaptive Coverage [11.680355561258427]
コンフォーマル推論、クロスバリデーション+、およびJackknife+は、事実上あらゆる機械学習アルゴリズムと組み合わせることができるホールドアウトメソッドである。
我々はこれらの手法の特殊バージョンを分類的・非順序対応ラベルとして開発する。
論文 参考訳(メタデータ) (2020-06-03T21:42:04Z)
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。