論文の概要: Integrative conformal p-values for powerful out-of-distribution testing
with labeled outliers
- arxiv url: http://arxiv.org/abs/2208.11111v1
- Date: Tue, 23 Aug 2022 17:52:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 13:55:23.462664
- Title: Integrative conformal p-values for powerful out-of-distribution testing
with labeled outliers
- Title（参考訳）: ラベル付き異常値を用いた強力な分布外テストのための積分共形p値
- Authors: Ziyi Liang, Matteo Sesia, Wenguang Sun
- Abstract要約: 本稿では,参照集合と同じ分布から新しい観測結果がサンプリングされたかどうかを検証するための新しいコンフォメーション手法を開発した。
提案手法は, 既知分布データからの依存側情報に基づいて, 標準のp値を再重み付けすることができる。
このソリューションは、サンプル分割または新しいトランスダクティブクロスバリデーション+スキームによって実装することができる。
- 参考スコア（独自算出の注目度）: 1.6371837018687636
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper develops novel conformal methods to test whether a new observation
was sampled from the same distribution as a reference set. Blending inductive
and transductive conformal inference in an innovative way, the described
methods can re-weight standard conformal p-values based on dependent side
information from known out-of-distribution data in a principled way, and can
automatically take advantage of the most powerful model from any collection of
one-class and binary classifiers. The solution can be implemented either
through sample splitting or via a novel transductive cross-validation+ scheme
which may also be useful in other applications of conformal inference, due to
tighter guarantees compared to existing cross-validation approaches. After
studying false discovery rate control and power within a multiple testing
framework with several possible outliers, the proposed solution is shown to
outperform standard conformal p-values through simulations as well as
applications to image recognition and tabular data.
- Abstract（参考訳）: 本稿では,参照集合と同じ分布から新しい観測をサンプリングしたかどうかを検証するための新しい共形法を開発した。
インダクティブおよびトランスダクティブな共形推論を革新的に組み合わせることで、既知分布データからの依存側情報に基づいて標準共形p値を再重み付けし、一級および二級の分類器の集合から最も強力なモデルを自動的に活用することができる。
この解は、サンプル分割または新しいトランスダクティブクロスバリデーション+スキームによって実装できるが、これは既存のクロスバリデーションアプローチと比較してより厳密な保証のため、他の共形推論の応用にも有用である。
提案手法は,複数のアウトレーヤを持つ複数のテストフレームワーク内での誤検出率制御とパワーについて検討した後,シミュレーションや画像認識や表計算データへの応用を通じて,標準の共形p値よりも優れていることを示す。
関連論文リスト
- 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) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Transductive conformal inference with adaptive scores [3.591224588041813]
トランスダクティブな設定では、テストのサンプルとして$m$の新たなポイントが決定されます。
本研究はP'olya urnモデルに従い, 実験分布関数の濃度不等式を確立することを目的とする。
本研究では,2つの機械学習タスクに対して一様かつ不確率な保証を行うことにより,これらの理論的結果の有用性を示す。
論文 参考訳（メタデータ） (2023-10-27T12:48:30Z) - Derandomized Novelty Detection with FDR Control via Conformal E-values [20.864605211132663]
p-値の代わりに適切な共形e-値を活用することにより、共形推論をより安定にすることを提案する。
提案手法は, 標準共形推論と比較して, 電力損失が少なく, ランダム性を低減できることを示す。
論文 参考訳（メタデータ） (2023-02-14T19:21:44Z) - Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。
複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。
これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
論文 参考訳（メタデータ） (2022-08-13T17:14:55Z) - Orthogonal-Coding-Based Feature Generation for Transductive Open-Set
Recognition via Dual-Space Consistent Sampling [11.929584800629673]
Open-set Recognition (OSR)は、未知のクラスサンプルを同時に検出し、既知のクラスサンプルを分類することを目的としている。
我々は,3つのモジュールを反復的に実装したIT-OSRという反復型トランスダクティブOSRフレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-13T04:29:20Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳（メタデータ） (2022-07-05T14:55:16Z) - Toward Learning Robust and Invariant Representations with Alignment
Regularization and Data Augmentation [76.85274970052762]
本論文はアライメント正則化の選択肢の増大を動機としている。
我々は、ロバスト性および不変性の次元に沿って、いくつかの人気のある設計選択のパフォーマンスを評価する。
我々はまた、現実的と考える仮定の下で経験的な研究を補完するために、アライメント正則化の挙動を正式に分析する。
論文 参考訳（メタデータ） (2022-06-04T04:29:19Z) - 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) - Testing for Outliers with Conformal p-values [14.158078752410182]
目標は、新しい独立したサンプルが参照データセットと同じ分布に属するかどうかをテストすることである。
そこで本論文では,p-値が有意であるが,異なるテストポイントに対して互いに依存する,広く適用可能なフレームワークである共形推論に基づく解を提案する。
我々は、これらのp値が正に依存し、正確な誤発見率制御を可能にすることを証明している。
論文 参考訳（メタデータ） (2021-04-16T17:59:21Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-08T11:35:47Z)
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。