論文の概要: Design-based conformal prediction

• arxiv url: http://arxiv.org/abs/2303.01422v2
• Date: Thu, 27 Jul 2023 20:11:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 16:11:40.140572
• Title: Design-based conformal prediction
• Title（参考訳）: 設計に基づく等角予測
• Authors: Jerzy Wieczorek
• Abstract要約: コンフォーマル予測(Conformal prediction)は、分布のない予測間隔や集合を生成するための仮定リーンなアプローチである。 そこで本研究では, 共形予測が, 複合的なサンプルサーベイ設計から得られるデータにどのように適用できるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal prediction is an assumption-lean approach to generating distribution-free prediction intervals or sets, for nearly arbitrary predictive models, with guaranteed finite-sample coverage. Conformal methods are an active research topic in statistics and machine learning, but only recently have they been extended to non-exchangeable data. In this paper, we invite survey methodologists to begin using and contributing to conformal methods. We introduce how conformal prediction can be applied to data from several common complex sample survey designs, under a framework of design-based inference for a finite population, and we point out gaps where survey methodologists could fruitfully apply their expertise. Our simulations empirically bear out the theoretical guarantees of finite-sample coverage, and our real-data example demonstrates how conformal prediction can be applied to complex sample survey data in practice.
• Abstract（参考訳）: 共形予測(conformal prediction)は、ほぼ任意の予測モデルに対して分布のない予測間隔や集合を生成するための仮定-リーンなアプローチである。 共形メソッドは統計学や機械学習において活発な研究テーマであるが、最近になって非交換可能データに拡張された。 本稿では,調査手法学者に共形法の利用と貢献を依頼する。 本稿では, 有限集団に対する設計ベース推論の枠組みの下で, 共形予測が, 複雑なサンプル調査の設計から得られるデータにどのように適用できるかを紹介するとともに, 調査方法論者が有益に適用できるギャップを指摘する。 シミュレーションは有限サンプルカバレッジの理論的な保証を実証し,実データを用いて複雑なサンプル調査データに対してコンフォーメーション予測が適用可能であることを示す。

関連論文リスト

• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Distribution-free Conformal Prediction for Ordinal Classification [0.0]
  正規分類は、対象変数がクラスラベル間で自然な順序付けを持つ実アプリケーションで一般的である。 連続的および非連続的な予測セットを構築するための新しい共形予測手法を開発した。
  論文  参考訳（メタデータ） (2024-04-25T13:49:59Z)
• Deep Non-Parametric Time Series Forecaster [19.800783133682955]
  提案手法は, 予測分布のパラメトリック形式を仮定せず, 学習可能な戦略に従って実験分布からサンプリングして予測を生成する。 提案手法のグローバルバージョンを開発し,複数の時系列にまたがる情報を活用することで,サンプリング戦略を自動的に学習する。
  論文  参考訳（メタデータ） (2023-12-22T12:46:30Z)
• Conditional validity of heteroskedastic conformal regression [12.905195278168506]
  等角予測と分割等角予測は、統計的保証付き予測間隔を推定するための分布自由なアプローチを提供する。 近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。 本稿では,正規化やモンドリアン等式予測などの手法を用いて,予測間隔の構築方法について,新たな光を当てることを試みる。
  論文  参考訳（メタデータ） (2023-09-15T11:10:46Z)
• 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)
• 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)
• Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
  PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。 効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
  論文  参考訳（メタデータ） (2022-06-14T03:58:03Z)
• 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)
• 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。