論文の概要: Test-time Recalibration of Conformal Predictors Under Distribution Shift
Based on Unlabeled Examples
- arxiv url: http://arxiv.org/abs/2210.04166v2
- Date: Sat, 3 Jun 2023 21:34:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 04:34:47.678965
- Title: Test-time Recalibration of Conformal Predictors Under Distribution Shift
Based on Unlabeled Examples
- Title（参考訳）: 非ラベル例に基づく分布シフト時のコンフォーメーション予測器の試験時間再校正
- Authors: Fatih Furkan Yilmaz and Reinhard Heckel
- Abstract要約: コンフォーマル予測器は、ユーザが特定した確率で一連のクラスを計算することで不確実性の推定を提供する。
本研究では,自然分布シフト下での優れた不確実性推定を行う手法を提案する。
- 参考スコア（独自算出の注目度）: 30.61588337557343
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern image classifiers are very accurate, but the predictions come without
uncertainty estimates. Conformal predictors provide uncertainty estimates by
computing a set of classes containing the correct class with a user-specified
probability based on the classifier's probability estimates. To provide such
sets, conformal predictors often estimate a cutoff threshold for the
probability estimates based on a calibration set. Conformal predictors
guarantee reliability only when the calibration set is from the same
distribution as the test set. Therefore, conformal predictors need to be
recalibrated for new distributions. However, in practice, labeled data from new
distributions is rarely available, making calibration infeasible. In this work,
we consider the problem of predicting the cutoff threshold for a new
distribution based on unlabeled examples. While it is impossible in general to
guarantee reliability when calibrating based on unlabeled examples, we propose
a method that provides excellent uncertainty estimates under natural
distribution shifts, and provably works for a specific model of a distribution
shift.
- Abstract（参考訳）: 現代の画像分類器は非常に正確であるが、予測は不確実性の推定を伴わない。
適合予測器は、その分類器の確率推定に基づいて、ユーザが特定した確率で正しいクラスを含む一連のクラスを計算して不確実性推定を提供する。
適合予測器は、キャリブレーションセットに基づいて、確率推定のためのカットオフ閾値をしばしば推定する。
適合予測器は、キャリブレーションセットがテストセットと同じ分布である場合にのみ信頼性を保証する。
したがって、新しい分布のために共形予測器を再調整する必要がある。
しかし、実際には新しいディストリビューションからのラベル付きデータはほとんど利用できず、キャリブレーションは実現不可能である。
本研究では,新しい分布のカットオフ閾値をラベルなしの例に基づいて予測する問題を考える。
ラベルのない例に基づいて校正を行う場合,一般に信頼性を保証することは不可能であるが,本研究では,分布シフトの特定のモデルに対して,自然な分布シフトの下で優れた不確実性推定を提供する手法を提案する。
関連論文リスト
- Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。
しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。
信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-13T15:37:11Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Calibrated Selective Classification [34.08454890436067]
そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。
本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。
われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
論文 参考訳（メタデータ） (2022-08-25T13:31:09Z) - On the Calibration of Probabilistic Classifier Sets [6.759124697337311]
我々はキャリブレーションの概念を拡張して、アレタリック不確実性表現の有効性を評価する。
ディープニューラルネットワークのアンサンブルがよく校正されていないことを示す。
論文 参考訳（メタデータ） (2022-05-20T10:57:46Z) - 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) - Distribution-free uncertainty quantification for classification under
label shift [105.27463615756733]
2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。
まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。
これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
論文 参考訳（メタデータ） (2021-03-04T20:51:03Z) - Distribution-free binary classification: prediction sets, confidence
intervals and calibration [106.50279469344937]
分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。
固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。
我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
論文 参考訳（メタデータ） (2020-06-18T14:17:29Z) - Individual Calibration with Randomized Forecasting [116.2086707626651]
予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。
我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
論文 参考訳（メタデータ） (2020-06-18T05:53:10Z)
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。