論文の概要: Prediction-Powered Inference

• arxiv url: http://arxiv.org/abs/2301.09633v1
• Date: Mon, 23 Jan 2023 18:59:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 12:40:27.900552
• Title: Prediction-Powered Inference
• Title（参考訳）: 予測動力推論
• Authors: Anastasios N. Angelopoulos, Stephen Bates, Clara Fannjiang, Michael I. Jordan, Tijana Zrnic
• Abstract要約: 統計的推論を有効なものにするためのフレームワークとして,予測による推論をx2013$で導入する。 我々のフレームワークは、予測を提供する機械学習アルゴリズムを仮定することなく、証明可能な結論を得る。
• 参考スコア（独自算出の注目度）: 75.85969077788283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce prediction-powered inference $\unicode{x2013}$ a framework for performing valid statistical inference when an experimental data set is supplemented with predictions from a machine-learning system such as AlphaFold. Our framework yields provably valid conclusions without making any assumptions on the machine-learning algorithm that supplies the predictions. Higher accuracy of the predictions translates to smaller confidence intervals, permitting more powerful inference. Prediction-powered inference yields simple algorithms for computing valid confidence intervals for statistical objects such as means, quantiles, and linear and logistic regression coefficients. We demonstrate the benefits of prediction-powered inference with data sets from proteomics, genomics, electronic voting, remote sensing, census analysis, and ecology.
• Abstract（参考訳）: 実験データセットにAlphaFoldのような機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークとして,予測駆動推論$\unicode{x2013}を紹介した。 我々のフレームワークは、予測を提供する機械学習アルゴリズムを仮定することなく、証明可能な結論を得る。 予測の高精度さはより小さな信頼区間に変換され、より強力な推論が可能である。 予測を用いた推論は、手段、量子、線形およびロジスティック回帰係数などの統計対象に対する有効な信頼区間を計算するための単純なアルゴリズムを生成する。 プロテオミクス,ゲノミクス,電子投票,リモートセンシング,国勢調査解析,生態学のデータセットを用いた予測に基づく推論の利点を実証する。

関連論文リスト

• Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks [0.0]
  本稿では,深層学習アルゴリズムを用いて,アンサンブル予測システムの統計的特性を学習することを提案する。 訓練が終わると、将来のアンサンブル予測を得るためには、コストのかかるアンサンブル予測システムがもはや不要になる。
  論文  参考訳（メタデータ） (2022-05-18T19:10:38Z)
• Conformal prediction for the design problem [72.14982816083297]
  機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。 このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。 このような環境で予測の不確実性を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Can a single neuron learn quantiles? [0.0]
  単一ユニットからなる最小限のニューラルネットワークアーキテクチャに基づいて、連続確率変数に対する新しい非パラメトリック量子化推定法を導入する。 回帰の文脈では、分割された共形予測設定の下で予測の不確かさを定量化するためにこの手法を用いることができる。 ベンチマーク実験は、この手法が最先端のソリューションと品質とカバレッジの競争力があることを実証している。
  論文  参考訳（メタデータ） (2021-06-07T15:12:47Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Robust Validation: Confident Predictions Even When Distributions Shift [24.211408049646153]
  本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。 本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。 私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
  論文  参考訳（メタデータ） (2020-08-10T17:09:16Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。