論文の概要: One-Shot Federated Conformal Prediction
- arxiv url: http://arxiv.org/abs/2302.06322v1
- Date: Mon, 13 Feb 2023 12:46:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 15:39:42.866086
- Title: One-Shot Federated Conformal Prediction
- Title(参考訳): ワンショットフェデレーション型コンフォメーション予測
- Authors: Pierre Humbert (LMO, CELESTE), Batiste Le Bars (MAGNET, CRIStAL),
Aur\'elien Bellet (MAGNET, CRIStAL), Sylvain Arlot (LMO, CELESTE)
- Abstract要約: 単発フェデレーション学習環境における予測セット構築のための共形予測手法を提案する。
我々は,任意の分布に対して,1ラウンドの通信でのみ,所望のカバレッジで予測セットを出力できることを証明した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a conformal prediction method to construct
prediction sets in a oneshot federated learning setting. More specifically, we
define a quantile-of-quantiles estimator and prove that for any distribution,
it is possible to output prediction sets with desired coverage in only one
round of communication. To mitigate privacy issues, we also describe a locally
differentially private version of our estimator. Finally, over a wide range of
experiments, we show that our method returns prediction sets with coverage and
length very similar to those obtained in a centralized setting. Overall, these
results demonstrate that our method is particularly well-suited to perform
conformal predictions in a one-shot federated learning setting.
- Abstract(参考訳): 本稿では,単発連立学習環境での予測セットを構築するための共形予測手法を提案する。
より具体的には、量子量推定器を定義し、任意の分布に対して、所望のカバレッジの予測セットを1ラウンドの通信でのみ出力できることを証明する。
プライバシー問題を緩和するために、我々の推定器の局所的に異なるプライベートバージョンも記述する。
最後に,本手法は多種多様な実験において,集中的に得られたものと非常によく似た範囲と長さの予測集合を返すことを示す。
全体として,本手法は一発フェデレーション学習環境でのコンフォーメーション予測に特に適していることを示す。
関連論文リスト
- On the Out-of-Distribution Coverage of Combining Split Conformal
Prediction and Bayesian Deep Learning [1.131316248570352]
ベイジアンディープラーニングと分割共形予測の組み合わせと,この組み合わせが分布外カバレッジにどのように影響するかに着目した。
以上の結果から,ベイズ的深層学習モデルと分割共形予測を組み合わせれば,アウト・オブ・ディストリビューション(out-of-distriion)のカバレッジを減少させるなどの意図しない結果が生じる可能性が示唆された。
論文 参考訳(メタデータ) (2023-11-21T15:50:37Z) - 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 Language Modeling [63.69391255926407]
生成言語モデル(LM)の共形予測のための新しい手法を提案する。
標準共形予測は厳密で統計的に保証された予測セットを生成する。
我々は,オープンドメイン質問応答,テキスト要約,ラジオロジーレポート生成において,複数のタスクに対するアプローチの約束を実証する。
論文 参考訳(メタデータ) (2023-06-16T21:55:08Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳(メタデータ) (2023-05-27T19:57:27Z) - 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) - Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
逐次予測のための一般的な共形予測法を提案する。
相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。
これは計算的に軽量であり、分割共形予測に匹敵する。
論文 参考訳(メタデータ) (2022-06-02T14:33:00Z) - 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) - Robustness via Cross-Domain Ensembles [0.5801044612920816]
本稿では,ニューラルネットワークの予測をトレーニングデータ分布からのシフトに対して頑健にする手法を提案する。
提案手法は,多種多様なキューを用いて予測を行い,それらを1つの強い予測にまとめる手法である。
論文 参考訳(メタデータ) (2021-03-19T17:28:03Z) - 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。