論文の概要: Conformal Inference for Online Prediction with Arbitrary Distribution
Shifts
- arxiv url: http://arxiv.org/abs/2208.08401v3
- Date: Thu, 5 Oct 2023 22:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-13 16:31:39.151515
- Title: Conformal Inference for Online Prediction with Arbitrary Distribution
Shifts
- Title(参考訳): 任意分布シフトを用いたオンライン予測のための共形推論
- Authors: Isaac Gibbs and Emmanuel Cand\`es
- Abstract要約: 我々は、データを生成する分布が時間とともに変化するオンライン環境において、予測セットを形成するという問題を考察する。
与えられた幅のすべての局所時間間隔に対して,確実に小さな後悔を伴う新規な手順を開発する。
我々は、株式市場のボラティリティと新型コロナウイルス(COVID-19)のケース数を予測するために、2つの実世界のデータセットで、我々の技術を試した。
- 参考スコア(独自算出の注目度): 1.2277343096128712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of forming prediction sets in an online setting where
the distribution generating the data is allowed to vary over time. Previous
approaches to this problem suffer from over-weighting historical data and thus
may fail to quickly react to the underlying dynamics. Here we correct this
issue and develop a novel procedure with provably small regret over all local
time intervals of a given width. We achieve this by modifying the adaptive
conformal inference (ACI) algorithm of Gibbs and Cand\`{e}s (2021) to contain
an additional step in which the step-size parameter of ACI's gradient descent
update is tuned over time. Crucially, this means that unlike ACI, which
requires knowledge of the rate of change of the data-generating mechanism, our
new procedure is adaptive to both the size and type of the distribution shift.
Our methods are highly flexible and can be used in combination with any
baseline predictive algorithm that produces point estimates or estimated
quantiles of the target without the need for distributional assumptions. We
test our techniques on two real-world datasets aimed at predicting stock market
volatility and COVID-19 case counts and find that they are robust and adaptive
to real-world distribution shifts.
- Abstract(参考訳): オンライン環境において,データ生成の分布が時間とともに変化するような予測集合の形成の問題を考える。
この問題に対するこれまでのアプローチは、過重な履歴データに悩まされており、基礎となるダイナミクスに迅速に対応できない可能性がある。
本稿では,この問題を修正し,与えられた幅のすべての局所的な時間間隔において,後悔の少ない新しい手順を考案する。
我々は、GibsとCand\`{e}s(2021)の適応型共形推論(ACI)アルゴリズムを変更して、ACIの勾配勾配更新のステップサイズパラメータを時間とともに調整する追加ステップを含む。
重要なことは、データ生成機構の変更率の知識を必要とするACIとは異なり、我々の新しい手順は分散シフトのサイズとタイプの両方に適応する。
提案手法は非常に柔軟であり, 分布仮定を必要とせず, 目標の点推定や推定量を生成する任意のベースライン予測アルゴリズムと組み合わせることができる。
株式市場のボラティリティ(変動性)と新型コロナウイルス(COVID-19)のケースカウント(ケースカウント)の予測を目的とした2つの実世界のデータセット上で、我々の技術をテストする。
関連論文リスト
- Adaptive Conformal Inference for Multi-Step Ahead Time-Series Forecasting Online [0.0]
有限サンプルカバレッジ保証を実現するために適応型共形推論アルゴリズムの適応性を提案する。
私たちの多段階のACI手続きは、これらの保証を各予測ステップで継承し、全体的なエラー率を保証します。
論文 参考訳(メタデータ) (2024-09-23T08:07:49Z) - Neural variational Data Assimilation with Uncertainty Quantification using SPDE priors [28.804041716140194]
ディープラーニングコミュニティの最近の進歩は、ニューラルネットワークと変分データ同化フレームワークを通じて、この問題に対処することができる。
本研究では、部分微分方程式(SPDE)とガウス過程(GP)の理論を用いて状態の空間的および時間的共分散を推定する。
論文 参考訳(メタデータ) (2024-02-02T19:18:12Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳(メタデータ) (2024-02-02T05:53:22Z) - Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。
センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
論文 参考訳(メタデータ) (2023-09-05T22:33:02Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳(メタデータ) (2023-06-14T11:41:42Z) - Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
歴史的情報を適切に再利用するオンライン手法を提案する。
我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文 参考訳(メタデータ) (2023-02-06T04:03:33Z) - Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。
分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。
本手法は精度と不確実性の両方を向上することを示す。
論文 参考訳(メタデータ) (2021-09-27T01:09:08Z) - Adaptive Conformal Inference Under Distribution Shift [0.0]
本研究では,未知の方法でデータ生成分布を時間とともに変化させるオンライン環境において,予測セットを形成する手法を開発した。
我々のフレームワークは、任意のブラックボックスメソッドと組み合わせられる一般的なラッパーを提供するために、共形推論のアイデアに基づいている。
我々は,2つの実世界のデータセット上で適応型共形推論法を検証し,その予測が可視的および有意な分布シフトに対して堅牢であることを見出した。
論文 参考訳(メタデータ) (2021-06-01T01:37:32Z) - Retrain or not retrain: Conformal test martingales for change-point
detection [0.34635278365524663]
我々は,データの分布が変化するタイミングを検出するためのスキームを設定し,予測アルゴリズムを訓練する過程を補うことを主張する。
私たちの提案するスキームは、交換可能なマーチンゲール、すなわちデータの交換可能な分配の下でマーチンゲールであるプロセスに基づいています。
論文 参考訳(メタデータ) (2021-02-20T20:39:05Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z)
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。