論文の概要: Distribution-Free Finite-Sample Guarantees and Split Conformal
Prediction
- arxiv url: http://arxiv.org/abs/2210.14735v1
- Date: Wed, 26 Oct 2022 14:12:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 13:29:38.638174
- Title: Distribution-Free Finite-Sample Guarantees and Split Conformal
Prediction
- Title(参考訳): 分布自由有限サンプル保証と分割等角予測
- Authors: Roel Hulsman
- Abstract要約: 分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。
1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern black-box predictive models are often accompanied by weak performance
guarantees that only hold asymptotically in the size of the dataset or require
strong parametric assumptions. In response to this, split conformal prediction
represents a promising avenue to obtain finite-sample guarantees under minimal
distribution-free assumptions. Although prediction set validity most often
concerns marginal coverage, we explore the related but different guarantee of
tolerance regions, reformulating known results in the language of nested
prediction sets and extending on the duality between marginal coverage and
tolerance regions. Furthermore, we highlight the connection between split
conformal prediction and classical tolerance predictors developed in the 1940s,
as well as recent developments in distribution-free risk control. One result
that transfers from classical tolerance predictors is that the coverage of a
prediction set based on order statistics, conditional on the calibration set,
is a random variable stochastically dominating the Beta distribution. We
demonstrate the empirical effectiveness of our findings on synthetic and real
datasets using a popular split conformal prediction procedure called
conformalized quantile regression (CQR).
- Abstract(参考訳): 現代のブラックボックス予測モデルは、データセットのサイズに漸近的に保持するか、強いパラメトリックな仮定を必要とする弱い性能保証を伴うことが多い。
これに対し、分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を示す。
予測セットの妥当性は、しばしば限界範囲に関係するが、関係するが異なる許容領域を探索し、ネストした予測セットの言語における既知の結果を修正し、限界範囲と許容領域の双対性を拡張する。
さらに,1940年代に開発されたスプリットコンフォメーション予測と古典的耐性予測との関係と,流通フリーリスク制御の最近の進展を浮き彫りにする。
古典的寛容予測器からの転送の結果の一つは、順序統計に基づく予測セットのカバレッジ、すなわちキャリブレーションセットの条件は、ベータ分布を確率的に支配する確率変数である。
共形量子回帰法 (CQR) と呼ばれる一般的な分割型共形予測法を用いて, 合成および実データに対する実験結果の有効性を実証した。
関連論文リスト
- Distribution-Free Conformal Joint Prediction Regions for Neural Marked
Temporal Point Processes [4.724576834458051]
我々は、共形予測の枠組みを用いて、ニューラルTPPモデルにおける不確実性に対するより信頼性の高い手法を開発した。
主な目的は、有限サンプルの限界被覆を保証するとともに、到着時刻とマークのための分布自由な共同予測領域を生成することである。
論文 参考訳(メタデータ) (2024-01-09T15:28:29Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2023-10-17T20:30:16Z) - Heteroskedastic conformal regression [14.504146200189057]
近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。
本稿では,正規化やモンドリアン共形予測などの手法を用いて適応予測区間を構築する方法について,新たな光を当てる。
論文 参考訳(メタデータ) (2023-09-15T11:10:46Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳(メタデータ) (2023-06-08T11:54:58Z) - Conformal Prediction with Missing Values [19.18178194789968]
まず,共形予測の限界カバレッジ保証が,不一致分布のインプットデータに当てはまることを示す。
次に、インプットされたデータに基づいてトレーニングされた普遍的に一貫した量子レグレッションアルゴリズムが、ピンボールリスクに対してベイズ最適であることを示す。
論文 参考訳(メタデータ) (2023-06-05T09:28:03Z) - Post-selection Inference for Conformal Prediction: Trading off Coverage
for Precision [0.0]
伝統的に、共形予測推論はデータに依存しない発見レベルの仕様を必要とする。
我々は,データ依存的誤発見レベルを考慮した同時共形推論を開発する。
論文 参考訳(メタデータ) (2023-04-12T20:56:43Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳(メタデータ) (2022-10-01T02:57:37Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳(メタデータ) (2022-06-16T06:13:53Z) - Prediction Sets Adaptive to Unknown Covariate Shift [18.105704797438417]
有限サンプル被覆保証付き予測集合は非形式的であることを示す。
そこで我々は,予測セットを効率的に構築する,新しいフレキシブルな分散フリー手法PredSet-1Stepを提案する。
論文 参考訳(メタデータ) (2022-03-11T17:53:14Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳(メタデータ) (2021-09-07T09:38:24Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳(メタデータ) (2021-02-11T18:59:11Z)
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。