論文の概要: Learning Counterfactually Invariant Predictors
- arxiv url: http://arxiv.org/abs/2207.09768v1
- Date: Wed, 20 Jul 2022 09:23:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-21 12:49:17.017860
- Title: Learning Counterfactually Invariant Predictors
- Title(参考訳): 擬似不変予測器の学習
- Authors: Francesco Quinzan, Cecilia Casolo, Krikamol Muandet, Niki Kilbertus,
Yucen Luo
- Abstract要約: 本研究では,ある共変量の反実的変化の下で不変な予測子を学習する手法を提案する。
例えば、オブジェクト認識モデルは、オブジェクト自体の位置、向き、スケールの影響を受けうる。
合成および実世界のデータに対する実験結果から, 様々な環境下での本手法の有効性が示された。
- 参考スコア(独自算出の注目度): 14.149767832800197
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a method to learn predictors that are invariant under
counterfactual changes of certain covariates. This method is useful when the
prediction target is causally influenced by covariates that should not affect
the predictor output. For instance, an object recognition model may be
influenced by position, orientation, or scale of the object itself. We address
the problem of training predictors that are explicitly counterfactually
invariant to changes of such covariates. We propose a model-agnostic
regularization term based on conditional kernel mean embeddings, to enforce
counterfactual invariance during training. We prove the soundness of our
method, which can handle mixed categorical and continuous multi-variate
attributes. Empirical results on synthetic and real-world data demonstrate the
efficacy of our method in a variety of settings.
- Abstract(参考訳): 本研究では,ある共変量の反実的変化の下で不変な予測子を学習する手法を提案する。
この方法は、予測対象が予測対象出力に影響を与えない共変量によって因果的に影響を受ける場合に有用である。
例えば、オブジェクト認識モデルは、オブジェクト自体の位置、向き、スケールに影響される可能性がある。
本稿では,そのような共変量の変化に反実的に不変である予測器を訓練する問題に対処する。
本研究では,条件付きカーネルの平均埋め込みに基づくモデルに依存しない正規化項を提案する。
本手法は, カテゴリー的属性と連続的多変量属性の混合特性を扱うことができる。
合成および実世界のデータに対する実験結果から, 様々な環境下での本手法の有効性が示された。
関連論文リスト
- Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Invariant Probabilistic Prediction [45.88151520988133]
任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。
Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
論文 参考訳(メタデータ) (2023-09-18T18:50:24Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳(メタデータ) (2023-08-03T12:43:21Z) - Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。
線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。
我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
論文 参考訳(メタデータ) (2023-07-18T16:22:50Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳(メタデータ) (2023-05-27T19:57:27Z) - Distribution-Free Finite-Sample Guarantees and Split Conformal
Prediction [0.0]
分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。
1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
論文 参考訳(メタデータ) (2022-10-26T14:12:24Z) - Learning Invariant Representations under General Interventions on the
Response [2.725698729450241]
線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。
離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
論文 参考訳(メタデータ) (2022-08-22T03:09:17Z) - 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) - Robust Validation: Confident Predictions Even When Distributions Shift [24.211408049646153]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。
本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。
私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文 参考訳(メタデータ) (2020-08-10T17:09:16Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z)
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。