論文の概要: Conformalized Unconditional Quantile Regression
- arxiv url: http://arxiv.org/abs/2304.01426v1
- Date: Tue, 4 Apr 2023 00:20:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-05 16:00:03.805912
- Title: Conformalized Unconditional Quantile Regression
- Title(参考訳): コンフォーマル化非条件量子回帰
- Authors: Ahmed M. Alaa, Zeshan Hussain and David Sontag
- Abstract要約: コンフォメーション予測と非条件量子回帰を組み合わせた予測推論手法を開発した。
提案手法は不整合性に適応し,テストインスタンスに関連する透過的なカバレッジ保証を提供し,既存の手法と効率的に競合することを示す。
- 参考スコア(独自算出の注目度): 27.528258690139793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop a predictive inference procedure that combines conformal
prediction (CP) with unconditional quantile regression (QR) -- a commonly used
tool in econometrics that involves regressing the recentered influence function
(RIF) of the quantile functional over input covariates. Unlike the more
widely-known conditional QR, unconditional QR explicitly captures the impact of
changes in covariate distribution on the quantiles of the marginal distribution
of outcomes. Leveraging this property, our procedure issues adaptive predictive
intervals with localized frequentist coverage guarantees. It operates by
fitting a machine learning model for the RIFs using training data, and then
applying the CP procedure for any test covariate with respect to a
``hypothetical'' covariate distribution localized around the new instance.
Experiments show that our procedure is adaptive to heteroscedasticity, provides
transparent coverage guarantees that are relevant to the test instance at hand,
and performs competitively with existing methods in terms of efficiency.
- Abstract(参考訳): 本研究では,共形予測 (CP) と非条件量子回帰 (QR) を組み合わせた予測推論手法を開発した。
より広く知られている条件QRとは異なり、無条件QRは、結果の限界分布の定量値に対する共変量分布の変化の影響を明示的に捉えている。
この特性を生かして,局所的な頻繁なカバレッジ保証を伴う適応的予測間隔を定式化する。
トレーニングデータを使用してRIFに機械学習モデルを適用することで動作し、新しいインスタンスの周りにローカライズされた‘hypothetical’の共変量分布に関して、任意のテスト共変量に対してCPプロシージャを適用する。
実験により,本手法はヘテロシドステキシーに適応し,テストインスタンスに関連する透過的カバレッジ保証を提供し,効率面で既存の手法と競合して実行することが示された。
関連論文リスト
- Conditional Stochastic Interpolation for Generative Learning [5.0061421661196865]
条件分布学習のための条件拡散(CSI)手法を提案する。
条件付きスコア関数とドリフト関数の明示的な形式を,軽度条件下での条件付き期待値の観点から提示する。
ベンチマーク画像データセットを用いた画像生成におけるCSIの適用について述べる。
論文 参考訳(メタデータ) (2023-12-09T13:53:35Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳(メタデータ) (2023-06-08T11:54:58Z) - Adaptive Conformal Prediction by Reweighting Nonconformity Score [0.0]
我々は、QRF(Quantile Regression Forest)を用いて、不整合スコアの分布を学習し、QRFの重みを利用して、テストポイントに類似した残差を持つサンプルにより重要度を割り当てる。
提案手法は,仮定のない有限標本境界範囲と訓練条件範囲を満足し,適切な仮定の下で条件付き範囲を確保できる。
論文 参考訳(メタデータ) (2023-03-22T16:42:19Z) - Breaking the Spurious Causality of Conditional Generation via Fairness
Intervention with Corrective Sampling [77.15766509677348]
条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。
これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。
この問題を緩和するための一般的な2段階戦略を提案する。
論文 参考訳(メタデータ) (2022-12-05T08:09:33Z) - Improved conformalized quantile regression [0.0]
共形化量子レグレッション(conformalized Quantile regression)は、共形予測と量子レグレッションの利点を継承する手続きである。
そこで本研究では,k-平均を最適化し,k-共形ステップを適用することで,置換の重要性を重み付けした説明変数をクラスタリングする。
この改良されたバージョンは、共形量子化回帰の古典的バージョンよりも優れ、異方性に適応していることを示すため、オープンデータセットにおいて両者の予測間隔を広範囲に比較する。
論文 参考訳(メタデータ) (2022-07-06T16:54:36Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - AdaPT-GMM: Powerful and robust covariate-assisted multiple testing [0.7614628596146599]
偽発見率(FDR)制御を用いた複数検定の実証的ベイズ法を提案する。
本手法は,アダプティブp値しきい値法(AdaPT)をマスク方式の一般化により洗練する。
我々は、AdaPT-GMMと呼ばれる新しい手法が一貫して高出力を実現することを、広範囲にわたるシミュレーションと実データ例で示す。
論文 参考訳(メタデータ) (2021-06-30T05:06:18Z) - On Model Identification and Out-of-Sample Prediction of Principal
Component Regression: Applications to Synthetic Controls [20.96904429337912]
固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。
我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
論文 参考訳(メタデータ) (2020-10-27T17:07:36Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳(メタデータ) (2020-06-23T07:18:05Z)
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。