論文の概要: Batch Multivalid Conformal Prediction
- arxiv url: http://arxiv.org/abs/2209.15145v1
- Date: Fri, 30 Sep 2022 00:18:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 17:03:38.331611
- Title: Batch Multivalid Conformal Prediction
- Title（参考訳）: バッチ多価共形予測
- Authors: Christopher Jung and Georgy Noarov and Ramya Ramalingam and Aaron Roth
- Abstract要約: 我々は,バッチ設定における交換可能なデータに対する多値カバレッジを得るために,高速な分布自由な共形予測アルゴリズムを開発した。
いずれのアルゴリズムも任意の非整合点を入力として取り、おそらく交差する群の任意の集合を与える。
両アルゴリズムの性能を広範囲な実験で評価する。
- 参考スコア（独自算出の注目度）: 13.077246342082294
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop fast distribution-free conformal prediction algorithms for
obtaining multivalid coverage on exchangeable data in the batch setting.
Multivalid coverage guarantees are stronger than marginal coverage guarantees
in two ways: (1) They hold even conditional on group membership -- that is, the
target coverage level $1-\alpha$ holds conditionally on membership in each of
an arbitrary (potentially intersecting) group in a finite collection
$\mathcal{G}$ of regions in the feature space. (2) They hold even conditional
on the value of the threshold used to produce the prediction set on a given
example. In fact multivalid coverage guarantees hold even when conditioning on
group membership and threshold value simultaneously.
We give two algorithms: both take as input an arbitrary non-conformity score
and an arbitrary collection of possibly intersecting groups $\mathcal{G}$, and
then can equip arbitrary black-box predictors with prediction sets. Our first
algorithm (BatchGCP) is a direct extension of quantile regression, needs to
solve only a single convex minimization problem, and produces an estimator
which has group-conditional guarantees for each group in $\mathcal{G}$. Our
second algorithm (BatchMVP) is iterative, and gives the full guarantees of
multivalid conformal prediction: prediction sets that are valid conditionally
both on group membership and non-conformity threshold. We evaluate the
performance of both of our algorithms in an extensive set of experiments. Code
to replicate all of our experiments can be found at
https://github.com/ProgBelarus/BatchMultivalidConformal
- Abstract（参考訳）: バッチ設定における交換可能なデータの多値カバレッジを得るために,高速な分布自由共形予測アルゴリズムを開発した。
1) グループメンバシップに条件付きでも保持する -- すなわち、ターゲットカバレッジレベル1-\alpha$は、機能空間内の領域の有限コレクション$\mathcal{G}$内の任意の(潜在的に交差する)グループのメンバシップに条件付きで保持する。
2) 所定の例の予測セットを生成するために用いられる閾値の値について条件付きでも保持する。
実際、多値カバレッジは、グループメンバーシップと閾値を同時に条件付けしても保証される。
2つのアルゴリズムを与える: どちらも任意の非整合点とおそらく交差する群 $\mathcal{G}$ の任意の集合を入力として取り、それから任意のブラックボックス予測器に予測セットを割り当てる。
最初のアルゴリズム(BatchGCP)は量子レグレッションの直接拡張であり、単一の凸最小化問題のみを解く必要があり、各群に対して$\mathcal{G}$の群条件保証を持つ推定器を生成する。
第2のアルゴリズム (BatchMVP) は反復的であり、多値共形予測の完全な保証を与える: グループメンバシップと非整合しきい値の両方で条件付きで有効である予測セット。
我々は,両アルゴリズムの性能を広範囲な実験で評価する。
すべての実験を複製するコードはhttps://github.com/ProgBelarus/BatchMultivalidConformalにある。
関連論文リスト
- Posterior Conformal Prediction [11.576645675675096]
コンフォーマル予測は、分布のないカバレッジ保証を伴う予測区間を構築するための一般的な手法である。
本稿では,境界条件と近似条件の双方で予測間隔を生成する手法として,後続コンフォメーション予測(PCP)を提案する。
社会経済・科学・医療分野の多様なデータセットを対象としたPCPの性能評価を行った。
論文 参考訳（メタデータ） (2024-09-29T14:09:07Z) - Marginal and training-conditional guarantees in one-shot federated conformal prediction [17.197488145781858]
単発フェデレート学習環境における共形予測について検討した。
主なゴールは、エージェントとサーバの間の1ラウンドの通信でのみ、サーバーレベルで、辺りとトレーニングで有効な予測セットを計算することである。
論文 参考訳（メタデータ） (2024-05-21T08:08:00Z) - Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。
SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
論文 参考訳（メタデータ） (2023-12-13T11:08:25Z) - PAC Prediction Sets Under Label Shift [52.30074177997787]
予測セットは、個々のラベルではなくラベルのセットを予測することによって不確実性を捉える。
ラベルシフト設定においてPAC保証付き予測セットを構築するための新しいアルゴリズムを提案する。
提案手法を5つのデータセットで評価する。
論文 参考訳（メタデータ） (2023-10-19T17:57:57Z) - Concomitant Group Testing [49.50984893039441]
肯定的なテストが複数種類の項目の組み合わせを必要とするという考え方を捉えたグループテストの問題のバリエーションを紹介した。
目標は、可能な限り少数のテストを使用して、半欠陥セットをすべて確実に識別することである。
我々のアルゴリズムは、(i)決定性(ゼロエラー)かランダム化(小エラー)か、(ii)非適応性(非適応性)、完全適応性(完全適応性)、あるいは限定適応性(限定適応性)かによって区別される。
論文 参考訳（メタデータ） (2023-09-08T09:11:12Z) - Distribution-Free Inference for the Regression Function of Binary
Classification [0.0]
本稿では,ユーザの信頼度レベルに対する真の回帰関数に対して,正確に,分布自由で,漸近的に保証されていない信頼領域を構築するための再サンプリングフレームワークを提案する。
構築された信頼領域は強い整合性、すなわち、任意の偽モデルが確率 1 で長期にわたって除外されることが証明された。
論文 参考訳（メタデータ） (2023-08-03T15:52:27Z) - Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。
クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
論文 参考訳（メタデータ） (2023-06-15T17:59:02Z) - Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。
本稿では,ユーザの目標が目標間隔として指定される設定について検討する。
我々は、共形予測を反転させて確率推定を計算する。
論文 参考訳（メタデータ） (2022-11-29T18:41:20Z) - Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
逐次予測のための一般的な共形予測法を提案する。
相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。
これは計算的に軽量であり、分割共形予測に匹敵する。
論文 参考訳（メタデータ） (2022-06-02T14:33:00Z) - Optimal Clustering with Bandit Feedback [57.672609011609886]
本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。
これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。
合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
論文 参考訳（メタデータ） (2022-02-09T06:05:05Z) - Online Multivalid Learning: Means, Moments, and Prediction Intervals [16.75129633574157]
本稿では,様々な意味で「多値」な文脈予測手法を提案する。
得られた見積もりは、単に限界ではなく、$ Y$ラベルのさまざまな統計を正しく予測します。
我々のアルゴリズムは逆選択の例を扱うので、任意の点予測法の残差の統計量を予測するのに等しく使用できる。
論文 参考訳（メタデータ） (2021-01-05T19:08:11Z)
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。