論文の概要: Fast Online Value-Maximizing Prediction Sets with Conformal Cost Control

• arxiv url: http://arxiv.org/abs/2302.00839v1
• Date: Thu, 2 Feb 2023 02:53:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 15:42:44.507608
• Title: Fast Online Value-Maximizing Prediction Sets with Conformal Cost Control
• Title（参考訳）: コンフォーマルコスト制御による高速オンライン価値最大化予測セット
• Authors: Zhen Lin, Shubhendu Trivedi, Cao Xiao, Jimeng Sung
• Abstract要約: 多くの実世界のマルチラベル予測問題は、下流の使用によって規定される特定の要求を満たす必要がある設定値の予測を含む。 我々は、テキスト価値とテキストコストを別々に符号化し、互いに競合する典型的なシナリオに焦点を当てる。 このようなシナリオのコストを制御しながら、価値を最大化するために、FavMacと呼ばれる一般的なパイプラインを提案する。
• 参考スコア（独自算出の注目度）: 32.61268881024921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many real-world multi-label prediction problems involve set-valued predictions that must satisfy specific requirements dictated by downstream usage. We focus on a typical scenario where such requirements, separately encoding \textit{value} and \textit{cost}, compete with each other. For instance, a hospital might expect a smart diagnosis system to capture as many severe, often co-morbid, diseases as possible (the value), while maintaining strict control over incorrect predictions (the cost). We present a general pipeline, dubbed as FavMac, to maximize the value while controlling the cost in such scenarios. FavMac can be combined with almost any multi-label classifier, affording distribution-free theoretical guarantees on cost control. Moreover, unlike prior works, FavMac can handle real-world large-scale applications via a carefully designed online update mechanism, which is of independent interest. Our methodological and theoretical contributions are supported by experiments on several healthcare tasks and synthetic datasets - FavMac furnishes higher value compared with several variants and baselines while maintaining strict cost control.
• Abstract（参考訳）: 実世界のマルチラベル予測問題の多くは、下流の使用によって引き起こされる特定の要件を満たさなければならない集合値予測を伴う。 このような要求が互いに競合する、個別に \textit{value} と \textit{cost} を符号化する典型的なシナリオに焦点を当てる。 例えば、病院はスマート診断システムによって、重篤で、しばしば共死的な病気(その価値)をできるだけ多く捉え、誤った予測(コスト)を厳格にコントロールすることを期待しているかもしれない。 このようなシナリオのコストを制御しながら、価値を最大化するために、FavMacと呼ばれる一般的なパイプラインを提案する。 FavMacは、ほとんどすべてのマルチラベル分類器と組み合わせて、コスト管理における分布のない理論的保証を提供する。 さらに、以前の作業とは異なり、favmacは、注意深い設計のオンラインアップデート機構を通じて、現実世界の大規模アプリケーションを扱うことができる。 FavMacは、厳格なコスト管理を維持しつつ、いくつかの変種やベースラインよりも高い価値を提供する。

関連論文リスト

• Conformal prediction for multi-dimensional time series by ellipsoidal sets [9.44133696606093]
  コンフォーマル予測(CP)は、分布のない、モデルに依存しない、理論的に健全であるため、不確実性定量化の一般的な方法である。 多変量応答に対して$textit Regions$をビルドする、$textttMultiDimS PCI$と呼ばれる逐次CP手法を開発した。
  論文  参考訳（メタデータ） (2024-03-06T16:55:40Z)
• On Computationally Efficient Multi-Class Calibration [9.032290717007065]
  プロジェクトのキャリブレーションは、下流の意思決定者全員に強い保証を与えます。 これは、ラベルに割り当てられた確率を$T$にまとめることで予測される確率が、完全に校正されたバイナリ予測器に近いことを保証している。
  論文  参考訳（メタデータ） (2024-02-12T17:25:23Z)
• The Scope of Multicalibration: Characterizing Multicalibration via Property Elicitation [12.197909808303411]
  連続スカラー分布特性に対して$Gamma$ と $Gamma$ が選択可能である場合に限り、多重校正予測器を作成可能であることを示す。 負の面から、非楕円性連続特性に対して、真の分布予測器でさえ校正されない単純なデータ分布が存在することを示す。
  論文  参考訳（メタデータ） (2023-02-16T18:59:16Z)
• Online Selective Classification with Limited Feedback [82.68009460301585]
  オンライン学習モデルにおいて、予測者がインスタンスの分類を控える可能性のある選択的分類について検討する。 私たちが考慮している設定の健全な2つの側面は、データが不可避である可能性があるため、データは不可避である可能性があるということです。 smash$tildeO(T1-mu)$ over abstention against Adaptive adversaries. smash$tildeO(T1-mu)$ incurring smash$tildeO(T1-mu)$ over abstention。
  論文  参考訳（メタデータ） (2021-10-27T08:00:53Z)
• Measuring Model Fairness under Noisy Covariates: A Theoretical Perspective [26.704446184314506]
  本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。 本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
  論文  参考訳（メタデータ） (2021-05-20T18:36:28Z)
• Hierarchically Modeling Micro and Macro Behaviors via Multi-Task Learning for Conversion Rate Prediction [14.494225676311448]
  現代の産業電子商取引プラットフォームにおけるコンバージョン率(emphCVR)予測はますます重要になっています。 マイクロおよびマクロの挙動を階層的にモデル化した新しいemphcvr予測手法を提案する。 HM3$はエンドツーエンドでトレーニングでき、emph SSBとemphDSの問題に対処できる。
  論文  参考訳（メタデータ） (2021-04-20T01:45:06Z)
• Masksembles for Uncertainty Estimation [60.400102501013784]
  ディープニューラルネットワークは、その強みを巧みに実証しているが、その予測の信頼性を推定することは依然として困難である。 深層アンサンブルは不確かさを推定する最良の方法の1つと考えられているが、訓練や評価は非常に高価である。 mc-dropoutも人気の高い代替品で、安価だが信頼性も低い。
  論文  参考訳（メタデータ） (2020-12-15T14:39:57Z)
• Almost Tight L0-norm Certified Robustness of Top-k Predictions against Adversarial Perturbations [78.23408201652984]
  トップk予測は、マシンラーニング・アズ・ア・サービス、レコメンダ・システム、Web検索など、多くの現実世界のアプリケーションで使用されている。 我々の研究はランダム化平滑化に基づいており、入力をランダム化することで、証明可能なロバストな分類器を構築する。 例えば、攻撃者がテスト画像の5ピクセルを任意に摂動できる場合に、ImageNet上で69.2%の認定トップ3精度を達成する分類器を構築することができる。
  論文  参考訳（メタデータ） (2020-11-15T21:34:44Z)
• Towards Discriminability and Diversity: Batch Nuclear-norm Maximization under Label Insufficient Situations [154.51144248210338]
  Batch Nuclear-norm Maximization (BNM) は、学習シナリオのラベルが不十分な場合の学習を促進するために提案されている。 BNMはライバルより優れており、既存のよく知られた手法でうまく機能する。
  論文  参考訳（メタデータ） (2020-03-27T05:04:24Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。