論文の概要: JAWS: Predictive Inference Under Covariate Shift
- arxiv url: http://arxiv.org/abs/2207.10716v1
- Date: Thu, 21 Jul 2022 19:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 12:38:27.518413
- Title: JAWS: Predictive Inference Under Covariate Shift
- Title(参考訳): JAWS: 共変量シフトによる予測推論
- Authors: Drew Prinster, Anqi Liu, Suchi Saria
- Abstract要約: textbfJAW, textbfJAWA, textbfRisk, textbfJAW-R, textbfJAWA-R, textbfJAWA-R, textbfJAWA-R, textbfRisk, textbfRisk, textbfRisk
- 参考スコア(独自算出の注目度): 11.52382116360381
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose \textbf{JAWS}, a series of wrapper methods for distribution-free
uncertainty quantification tasks under covariate shift, centered on our core
method \textbf{JAW}, the \textbf{JA}ckknife+ \textbf{W}eighted with
likelihood-ratio weights. JAWS also includes computationally efficient
\textbf{A}pproximations of JAW using higher-order influence functions:
\textbf{JAWA}. Theoretically, we show that JAW relaxes the jackknife+'s
assumption of data exchangeability to achieve the same finite-sample coverage
guarantee even under covariate shift. JAWA further approaches the JAW guarantee
in the limit of either the sample size or the influence function order under
mild assumptions. Moreover, we propose a general approach to repurposing any
distribution-free uncertainty quantification method and its guarantees to the
task of risk assessment: a task that generates the estimated probability that
the true label lies within a user-specified interval. We then propose
\textbf{JAW-R} and \textbf{JAWA-R} as the repurposed versions of proposed
methods for \textbf{R}isk assessment. Practically, JAWS outperform the
state-of-the-art predictive inference baselines in a variety of biased real
world data sets for both interval-generation and risk-assessment auditing
tasks.
- Abstract(参考訳): 共変量シフト下での分布自由不確実性定量化タスクの一連のラッパー手法である \textbf{JAWS} を提案し,その中核となる方法である \textbf{JA}ckknife+ \textbf{W} を重み付けした。
JAWSはまた、高次影響関数を用いたJAWの計算効率の良い \textbf{A}pproximationsも含んでいる。
理論的には、JAWはジャックニフェ+のデータ交換可能性の仮定を緩和し、共変量シフト下であっても同じ有限サンプルカバレッジを保証することを示す。
JAWAはさらに、サンプルサイズまたは影響関数順序の制限を軽度な仮定の下でJAW保証にアプローチする。
また,分布のない不確実性定量化手法を再利用するための一般的な手法を提案し,リスク評価の課題である,真のラベルがユーザ指定間隔内にあるという推定確率を生成するタスクを提案する。
次に,提案手法の再活用版として, \textbf{JAW-R} と \textbf{JAWA-R} を提案する。
実際、JAWSは、インターバルジェネレーションとリスク評価監査の両方のタスクにおいて、さまざまなバイアスのある実世界のデータセットにおいて、最先端の予測推論ベースラインを上回っている。
関連論文リスト
- 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) - Non-Exchangeable Conformal Risk Control [12.381447108228635]
分割共形予測は、公式に保証された不確実性セットや間隔を提供する能力によって、最近大きな関心を集めている。
本研究では,データ交換不能時のモノトーン損失関数の期待値を制御できる非交換型共形リスク制御を提案する。
私たちのフレームワークはフレキシブルで、仮定はごくわずかで、所定のテスト例に対する関連性に基づいてデータを重み付けできます。
論文 参考訳(メタデータ) (2023-10-02T15:00:19Z) - Correcting Underrepresentation and Intersectional Bias for Fair
Classification [55.2480439325792]
偏見バイアスによって劣化したデータから学習する問題について考察し, 正の例を, 一定の数のセンシティブなグループに対して, 異なる未知のレートでフィルタする。
交叉群のメンバーシップが各交叉率を計算不能にするような設定であっても,少数の偏りのないデータを用いてグループワイド・ドロップアウトパラメータを効率的に推定できることが示される。
我々は,この学習と再重み付け過程をカプセル化するアルゴリズムを提案し,高い確率で真の分布に対する仮説のリスクが任意に近いことをPACスタイルの強い保証を提供する。
論文 参考訳(メタデータ) (2023-06-19T18:25:44Z) - Time-uniform confidence bands for the CDF under nonstationarity [9.289846887298854]
ランダム変数の完全分布の推定は、手動および自動決定の両方に有用なプリミティブである。
実数値確率変数のランニング平均条件分布のCDF上の時間一様および値一様境界を示す。
重み付けされた拡張は、制御実験データ排気に対する報酬の完全な反実分布を推定するのに適している。
論文 参考訳(メタデータ) (2023-02-28T02:14:54Z) - 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) - Prediction Sets Adaptive to Unknown Covariate Shift [18.105704797438417]
有限サンプル被覆保証付き予測集合は非形式的であることを示す。
そこで我々は,予測セットを効率的に構築する,新しいフレキシブルな分散フリー手法PredSet-1Stepを提案する。
論文 参考訳(メタデータ) (2022-03-11T17:53:14Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳(メタデータ) (2021-09-22T12:46:04Z) - Selective Probabilistic Classifier Based on Hypothesis Testing [14.695979686066066]
分類器の閉世界仮定の違反に対処するためのシンプルで効果的な方法を提案する。
提案手法は確率的ネットワークを用いた仮説テストに基づく拒絶オプションである。
提案手法は, より広い操作範囲を達成でき, 代替手段よりも低い偽陽性比をカバーできることが示されている。
論文 参考訳(メタデータ) (2021-05-09T08:55:56Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳(メタデータ) (2020-10-15T16:14:27Z)
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。