論文の概要: Improved Online Conformal Prediction via Strongly Adaptive Online Learning

• arxiv url: http://arxiv.org/abs/2302.07869v1
• Date: Wed, 15 Feb 2023 18:59:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 14:04:55.929662
• Title: Improved Online Conformal Prediction via Strongly Adaptive Online Learning
• Title（参考訳）: 適応型オンライン学習によるオンラインコンフォーマル予測の改善
• Authors: Aadyot Bhatnagar, Huan Wang, Caiming Xiong, Yu Bai
• Abstract要約: 我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
• 参考スコア（独自算出の注目度）: 86.4346936885507
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of uncertainty quantification via prediction sets, in an online setting where the data distribution may vary arbitrarily over time. Recent work develops online conformal prediction techniques that leverage regret minimization algorithms from the online learning literature to learn prediction sets with approximately valid coverage and small regret. However, standard regret minimization could be insufficient for handling changing environments, where performance guarantees may be desired not only over the full time horizon but also in all (sub-)intervals of time. We develop new online conformal prediction methods that minimize the strongly adaptive regret, which measures the worst-case regret over all intervals of a fixed length. We prove that our methods achieve near-optimal strongly adaptive regret for all interval lengths simultaneously, and approximately valid coverage. Experiments show that our methods consistently obtain better coverage and smaller prediction sets than existing methods on real-world tasks, such as time series forecasting and image classification under distribution shift.
• Abstract（参考訳）: 本研究では,データ分布が時間とともに任意に変化するようなオンライン環境で,予測セットによる不確実性定量化の問題を考察する。 近年、オンライン学習文献から最小化アルゴリズムを利用して、ほぼ有効なカバレッジと少ない後悔を伴う予測セットを学習するオンラインコンフォメーション予測手法が開発されている。 しかし、標準的な後悔の最小化は環境の変化を扱うには不十分であり、パフォーマンス保証はフルタイムの地平線だけでなく、すべての(サブ)時間間隔でも望まれる。 提案手法は, 一定の長さのすべての区間において最悪の後悔を計測する, 強い適応的後悔を最小限に抑える新しいオンラインコンフォメーション予測法を開発した。 提案手法は,全区間にわたってほぼ最適に適応し,ほぼ妥当なカバレッジが得られることを示す。 実験により,本手法は,時系列予測や分布シフトによる画像分類など,実世界の課題に対する既存の手法よりも,網羅的かつ少ない予測セットが得られることがわかった。

関連論文リスト

• Adaptive Conformal Inference for Multi-Step Ahead Time-Series Forecasting Online [0.0]
  有限サンプルカバレッジ保証を実現するために適応型共形推論アルゴリズムの適応性を提案する。 私たちの多段階のACI手続きは、これらの保証を各予測ステップで継承し、全体的なエラー率を保証します。
  論文  参考訳（メタデータ） (2024-09-23T08:07:49Z)
• Online Feature Updates Improve Online (Generalized) Label Shift Adaptation [51.328801874640675]
  オンライン特徴更新を用いたオンラインラベルシフト適応法(OLS-OFU)は,自己教師付き学習を利用して特徴抽出プロセスを洗練する。 アルゴリズムを慎重に設計することで、OLS-OFUは改善された特徴を考慮しつつ、文献の結果に類似したオンライン後悔の収束を維持している。
  論文  参考訳（メタデータ） (2024-02-05T22:03:25Z)
• Constrained Online Two-stage Stochastic Optimization: Algorithm with (and without) Predictions [19.537289123577022]
  有限地平線上の長期制約付きオンライン2段階最適化をT$周期で検討する。 対戦型学習アルゴリズムからオンライン二段階問題のオンラインアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2024-01-02T07:46:33Z)
• A Universal Error Measure for Input Predictions Applied to Online Graph Problems [57.58926849872494]
  本稿では,入力予測における誤差の定量化のための新しい尺度を提案する。 この尺度は、予測されていない要求と予測されていない実際の要求によるエラーをキャプチャする。
  論文  参考訳（メタデータ） (2022-05-25T15:24:03Z)
• Conformalized Online Learning: Online Calibration Without a Holdout Set [10.420394952839242]
  オンライン環境では、有効なカバレッジ保証を備えた不確実性セットを構築するためのフレームワークを開発する。 複数出力回帰問題に対して有効な区間を構築する方法を示す。
  論文  参考訳（メタデータ） (2022-05-18T17:41:37Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Leveraging Predictions in Smoothed Online Convex Optimization via Gradient-based Algorithms [18.64335888217192]
  オンライン凸最適化は、時間的変化のあるステージコストと追加のスイッチングコストで検討する。 スイッチングコストはすべてのステージにカップリングをもたらすため、長期的な予測は品質の低下に悩まされる傾向がある。 本稿では,勾配に基づくオンラインアルゴリズムReceding Horizon Inexact Gradient (RHIG)を導入し,その性能を動的後悔によって解析する。
  論文  参考訳（メタデータ） (2020-11-25T06:25:51Z)
• Minimizing Dynamic Regret and Adaptive Regret Simultaneously [60.17824125301273]
  動的後悔と適応的後悔を同時に最小化できる新しいオンラインアルゴリズムを提案する。 我々の理論的保証は、あるアルゴリズムが任意の間隔で動的後悔を最小化できるという意味でさらに強い。
  論文  参考訳（メタデータ） (2020-02-06T03:32:37Z)

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。