論文の概要: Improved conformalized quantile regression

• arxiv url: http://arxiv.org/abs/2207.02808v1
• Date: Wed, 6 Jul 2022 16:54:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-07 12:47:44.462003
• Title: Improved conformalized quantile regression
• Title（参考訳）: 共形化量子レグレッションの改善
• Authors: Martim Sousa, Ana Maria Tom\'e, Jos\'e Moreira
• Abstract要約: 共形化量子レグレッション(conformalized Quantile regression)は、共形予測と量子レグレッションの利点を継承する手続きである。 そこで本研究では,k-平均を最適化し,k-共形ステップを適用することで,置換の重要性を重み付けした説明変数をクラスタリングする。 この改良されたバージョンは、共形量子化回帰の古典的バージョンよりも優れ、異方性に適応していることを示すため、オープンデータセットにおいて両者の予測間隔を広範囲に比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conformalized quantile regression is a procedure that inherits the advantages of conformal prediction and quantile regression. That is, we use quantile regression to estimate the true conditional quantile and then apply a conformal step on a calibration set to ensure marginal coverage. In this way, we get adaptive prediction intervals that account for heteroscedasticity. However, the aforementioned conformal step lacks adaptiveness as described in (Romano et al., 2019). To overcome this limitation, instead of applying a single conformal step after estimating conditional quantiles with quantile regression, we propose to cluster the explanatory variables weighted by their permutation importance with an optimized k-means and apply k conformal steps. To show that this improved version outperforms the classic version of conformalized quantile regression and is more adaptive to heteroscedasticity, we extensively compare the prediction intervals of both in open datasets.
• Abstract（参考訳）: 共形分位回帰(conformalized quantile regression)は、共形予測と分位回帰の利点を継承する手続きである。 すなわち、量子レグレッションを用いて真の条件量子化を推定し、次に、限界カバレッジを確保するためにキャリブレーションセットに共形ステップを適用する。 このようにして、不整合性を考慮した適応予測間隔を得る。 しかし、前述の同型ステップには適応性がない(Romano et al., 2019)。 この制限を克服するために、条件量子化を量子レグレッションで推定した後、単一の共形ステップを適用する代わりに、最適化されたk-平均で置換の重要性によって重み付けられた説明変数をクラスタリングし、k共形ステップを適用することを提案する。 この改良版が従来の定型化量子量回帰よりも優れており、ヘテロシデスティック性に適応していることを示すため、オープンデータセットにおける両方の予測間隔を広範囲に比較した。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Conformalized Unconditional Quantile Regression [27.528258690139793]
  コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。 提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
  論文  参考訳（メタデータ） (2023-04-04T00:20:26Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Nonparametric Quantile Regression: Non-Crossing Constraints and Conformal Prediction [2.654399717608053]
  本稿では,線形単位ペナルティ関数を補正したディープニューラルネットワークを用いた非パラメトリック量子レグレッション法を提案し,量子交差を回避する。 提案した非パラメトリック量子化回帰関数推定器の過剰リスクに対する非漸近上界を確立する。 シミュレーション研究と実データ例を含む数値実験を行い,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2022-10-18T20:59:48Z)
• Conformal histogram regression [15.153110906331737]
  本稿では,スキューデータに自動的に適応可能な非パラメトリック回帰の予測間隔を計算するためのコンフォメーション手法を提案する。 ブラックボックス機械学習アルゴリズムを活用して、その出力を近似条件付きの最短予測間隔に変換する。 得られた予測間隔は、ブラックボックスモデルが一貫性のある場合、条件付きカバレッジと最適な長さを達成しながら、有限サンプルにおいて確実に限界カバレッジを有する。
  論文  参考訳（メタデータ） (2021-05-18T18:05:02Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• Regularization Strategies for Quantile Regression [8.232258589877942]
  連続的な量子の分布に対するピンボール損失を最小化することは、特定の量子の予測のみを行う場合でも良い正則化器であることを示す。 格子モデルにより予測された分布を位置スケールの族に正規化できることを示す。
  論文  参考訳（メタデータ） (2021-02-09T21:10:35Z)
• Estimation and Applications of Quantiles in Deep Binary Classification [0.0]
  チェック損失に基づく量子回帰は統計学において広く使われている推論パラダイムである。 二項分類設定におけるチェック損失の類似について考察する。 我々は、予測が信頼できるかどうかを判断するために使用できる個別信頼度スコアを開発する。
  論文  参考訳（メタデータ） (2021-02-09T07:07:42Z)
• Adaptive Correlated Monte Carlo for Contextual Categorical Sequence Generation [77.7420231319632]
  我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。 また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
  論文  参考訳（メタデータ） (2019-12-31T03:01:55Z)

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。