論文の概要: Quantile Risk Control: A Flexible Framework for Bounding the Probability of High-Loss Predictions

• arxiv url: http://arxiv.org/abs/2212.13629v1
• Date: Tue, 27 Dec 2022 22:08:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 14:43:20.050582
• Title: Quantile Risk Control: A Flexible Framework for Bounding the Probability of High-Loss Predictions
• Title（参考訳）: 量子リスク制御:高損失予測の確率をバウンディングするためのフレキシブルなフレームワーク
• Authors: Jake C. Snell, Thomas P. Zollo, Zhun Deng, Toniann Pitassi and Richard Zemel
• Abstract要約: 本稿では,予測器によって得られた損失分布の量子化の系を生成するフレキシブルな枠組みを提案する。 予測性能を定量化するための情報的手法としてQuantileを示し,そのフレームワークが様々なQuantileベースのメトリクスに適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 11.842061466957686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rigorous guarantees about the performance of predictive algorithms are necessary in order to ensure their responsible use. Previous work has largely focused on bounding the expected loss of a predictor, but this is not sufficient in many risk-sensitive applications where the distribution of errors is important. In this work, we propose a flexible framework to produce a family of bounds on quantiles of the loss distribution incurred by a predictor. Our method takes advantage of the order statistics of the observed loss values rather than relying on the sample mean alone. We show that a quantile is an informative way of quantifying predictive performance, and that our framework applies to a variety of quantile-based metrics, each targeting important subsets of the data distribution. We analyze the theoretical properties of our proposed method and demonstrate its ability to rigorously control loss quantiles on several real-world datasets.
• Abstract（参考訳）: 予測アルゴリズムの性能に関する厳密な保証は、それらの責任ある使用を保証するために必要である。 これまでの研究は主に予測器の損失の予測に重点を置いてきたが、エラーの分布が重要である多くのリスクに敏感なアプリケーションでは十分ではない。 本研究では,予測器によって発生する損失分布の分位数に対する境界の族を生成するための柔軟な枠組みを提案する。 本手法は, サンプル平均のみに依存するのではなく, 観測損失値の順序統計を利用する。 予測性能を定量化するための情報的手法であり,データ分散の重要な部分集合を対象とする,様々な定量化基準に適用可能であることを示す。 提案手法の理論的特性を解析し、実世界の複数のデータセットにおける損失量子化を厳格に制御できることを実証する。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Distribution-Free Statistical Dispersion Control for Societal Applications [16.43522470711466]
  モデル性能に関する有限サンプル統計保証は、責任ある機械学習において重要な要素である。 これまでの研究は主に、予測器の期待損失と、個々の予測が特定の範囲で損失値をもたらす確率のどちらかを束縛することに焦点を当ててきた。 我々は,従来よりもはるかにリッチな統計関数のクラスを扱える,シンプルで柔軟なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-25T00:31:55Z)
• 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)
• 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)
• Toward Robust Uncertainty Estimation with Random Activation Functions [3.0586855806896045]
  本稿では,ランダムアクティベーション関数(RAF)アンサンブルを用いた不確実性定量化手法を提案する。 RAF アンサンブルは、合成データセットと実世界のデータセットの両方において、最先端のアンサンブル不確実性定量化手法より優れている。
  論文  参考訳（メタデータ） (2023-02-28T13:17:56Z)
• Conformal Loss-Controlling Prediction [23.218535051437588]
  コンフォーマル予測は、予測セットの予測カバレッジを制御する学習フレームワークである。 本研究では,損失関数の値を制御する必要がある状況に対して,共形予測を拡張した共形損失制御予測という学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-06T08:58:49Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• Estimation and Applications of Quantiles in Deep Binary Classification [0.0]
  チェック損失に基づく量子回帰は統計学において広く使われている推論パラダイムである。 二項分類設定におけるチェック損失の類似について考察する。 我々は、予測が信頼できるかどうかを判断するために使用できる個別信頼度スコアを開発する。
  論文  参考訳（メタデータ） (2021-02-09T07:07:42Z)
• Distribution-Free, Risk-Controlling Prediction Sets [112.9186453405701]
  ユーザ特定レベルにおける将来のテストポイントにおける期待損失を制御するブラックボックス予測器から設定値予測を生成する方法を示す。 提案手法は,予測セットのサイズをキャリブレーションするホールドアウトセットを用いて,任意のデータセットに対して明確な有限サンプル保証を提供する。
  論文  参考訳（メタデータ） (2021-01-07T18:59:33Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。