論文の概要: Reconciling Individual Probability Forecasts

• arxiv url: http://arxiv.org/abs/2209.01687v2
• Date: Sat, 6 May 2023 18:57:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 00:37:45.547734
• Title: Reconciling Individual Probability Forecasts
• Title（参考訳）: 個々の確率予測の調整
• Authors: Aaron Roth and Alexander Tolbert and Scott Weinstein
• Abstract要約: データに同意する2つの当事者は、個々の確率をモデル化する方法に異を唱えることができない。 個々の確率は不可知であるが、計算的かつデータ効率のよいプロセスで競合できると結論付ける。
• 参考スコア（独自算出の注目度）: 78.0074061846588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual probabilities refer to the probabilities of outcomes that are realized only once: the probability that it will rain tomorrow, the probability that Alice will die within the next 12 months, the probability that Bob will be arrested for a violent crime in the next 18 months, etc. Individual probabilities are fundamentally unknowable. Nevertheless, we show that two parties who agree on the data -- or on how to sample from a data distribution -- cannot agree to disagree on how to model individual probabilities. This is because any two models of individual probabilities that substantially disagree can together be used to empirically falsify and improve at least one of the two models. This can be efficiently iterated in a process of "reconciliation" that results in models that both parties agree are superior to the models they started with, and which themselves (almost) agree on the forecasts of individual probabilities (almost) everywhere. We conclude that although individual probabilities are unknowable, they are contestable via a computationally and data efficient process that must lead to agreement. Thus we cannot find ourselves in a situation in which we have two equally accurate and unimprovable models that disagree substantially in their predictions -- providing an answer to what is sometimes called the predictive or model multiplicity problem.
• Abstract（参考訳）: 個人確率は、明日雨が降る確率、アリスが次の12ヶ月以内に死ぬ確率、ボブが次の18ヶ月で暴力犯罪で逮捕される確率など、一度しか実現されない結果の確率を指す。 個人の確率は基本的に理解できない。 それでも、データに同意する2つの当事者、すなわちデータ分布からサンプルを採取する方法は、個々の確率をモデル化する方法に同意できないことを示す。 これは、2つのモデルのうち少なくとも1つを実証的に改ざんし改善するために、実質的に不一致である個々の確率の2つのモデルが一緒に使用できるためである。 これは「和解(reconciliation)」のプロセスにおいて効率よく反復され、両者が合意するモデルが、開始したモデルよりも優れていること、そして(ほとんど)個々の確率の予測(ほぼ)至るところで合意するモデルとなる。 個々の確率は認識できないが、計算量とデータ効率のよいプロセスで競合し、合意に至らなければならないと結論づける。 したがって、予測問題やモデル乗法問題と呼ばれる問題に対する答えを提供するという、予測に大きく相反する2つの正確で改善不可能なモデルが存在する状況では、私たち自身を見つけることはできない。

関連論文リスト

• Reconciling Model Multiplicity for Downstream Decision Making [24.335927243672952]
  2つの予測モデルがほぼ至るところでそれぞれの予測にほぼ一致しているとしても、最も応答性の高い行動が人口のかなりの部分で相違していることが示される。 本稿では,下流決定問題と個別確率予測の両方に関して,予測モデルを校正する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:36:46Z)
• Logic of subjective probability [0.0]
  主観的確率の統語論と意味論について論じる。 ジェフリーズの法則は、2つの成功した確率予測者は互いに近い予測を発行しなければならないと述べている。 私は主観的確率と頻繁な確率の関連について論じます。
  論文  参考訳（メタデータ） (2023-09-03T13:31:40Z)
• Equalised Odds is not Equal Individual Odds: Post-processing for Group and Individual Fairness [13.894631477590362]
  グループフェアネスは、保護されたサブ人口間の予測分布を等化することによって達成される。 個々人の公平さには 同じような扱いが必要です この手順は、異なる分類の確率を持つ同じ保護グループの2つの類似した個人を与えることができる。
  論文  参考訳（メタデータ） (2023-04-19T16:02:00Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Combining Predictions under Uncertainty: The Case of Random Decision Trees [2.322689362836168]
  決定ツリーのアンサンブルにおける分類推定を集約する一般的なアプローチは、投票または各クラスの確率を平均化することである。 本稿では,いくつかの代替予測手法について検討する。 我々の手法は確率、信念関数、信頼できる分類の理論にインスパイアされている。
  論文  参考訳（メタデータ） (2022-08-15T18:36:57Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Deep Probability Estimation [14.659180336823354]
  深層ニューラルネットワークを用いた高次元データからの確率推定について検討する。 この研究の目的は、ディープニューラルネットワークを用いた高次元データからの確率推定を調査することである。 合成データおよび実世界の3つの確率推定タスクにおける既存手法の評価を行った。
  論文  参考訳（メタデータ） (2021-11-21T03:55:50Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• A Note on High-Probability versus In-Expectation Guarantees of Generalization Bounds in Machine Learning [95.48744259567837]
  統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。 機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。 1つのステートメントを別のステートメントに変換する方法を示します。
  論文  参考訳（メタデータ） (2020-10-06T09:41:35Z)
• Tractable Inference in Credal Sentential Decision Diagrams [116.6516175350871]
  確率感性決定図は、解離ゲートの入力が確率値によってアノテートされる論理回路である。 我々は、局所確率を質量関数のクレーダル集合に置き換えることができる確率の一般化である、クレーダル感性決定図を開発する。 まず,ノイズの多い7セグメント表示画像に基づく簡単なアプリケーションについて検討する。
  論文  参考訳（メタデータ） (2020-08-19T16:04:34Z)

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。