論文の概要: Parity Calibration
- arxiv url: http://arxiv.org/abs/2305.18655v2
- Date: Wed, 7 Jun 2023 23:14:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 18:43:36.755869
- Title: Parity Calibration
- Title(参考訳): パリティ校正
- Authors: Youngseog Chung, Aaron Rumack, Chirag Gupta
- Abstract要約: 本稿では,時間軸の増減イベントの予測を目標とするパリティキャリブレーション(パリティキャリブレーション)の概念を紹介する。
このような戦略が理論的予測不可能と実践性能の低下につながることを示す。
提案手法は, 疫学, 気象予報, 核融合におけるモデルベース制御における実世界の事例研究に有効であることを示す。
- 参考スコア(独自算出の注目度): 5.768816587293478
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In a sequential regression setting, a decision-maker may be primarily
concerned with whether the future observation will increase or decrease
compared to the current one, rather than the actual value of the future
observation. In this context, we introduce the notion of parity calibration,
which captures the goal of calibrated forecasting for the increase-decrease (or
"parity") event in a timeseries. Parity probabilities can be extracted from a
forecasted distribution for the output, but we show that such a strategy leads
to theoretical unpredictability and poor practical performance. We then observe
that although the original task was regression, parity calibration can be
expressed as binary calibration. Drawing on this connection, we use an online
binary calibration method to achieve parity calibration. We demonstrate the
effectiveness of our approach on real-world case studies in epidemiology,
weather forecasting, and model-based control in nuclear fusion.
- Abstract(参考訳): 逐次回帰設定では、意思決定者は、将来の観測の実際の値よりも、将来の観測が現在の観測よりも増加するか減少するかを主に懸念することができる。
この文脈では、時系列における増加(または「パリティ」)事象の予測のキャリブレーションの目標を捉えたパリティキャリブレーションの概念を導入する。
出力の予測分布からパリティ確率を抽出できるが,そのような戦略が理論的予測不可能と実用性能の低下につながることを示す。
次に,最初のタスクは回帰であるが,パリティキャリブレーションは2次キャリブレーションとして表現できることを示した。
そこで本研究では,オンラインバイナリキャリブレーション手法を用いてパリティキャリブレーションを行う。
提案手法は, 疫学, 気象予報, 核融合におけるモデルベース制御における実例研究における有効性を示す。
関連論文リスト
- Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳(メタデータ) (2023-10-31T06:19:40Z) - A Large-Scale Study of Probabilistic Calibration in Neural Network
Regression [3.13468877208035]
我々は、ニューラルネットワークの確率的キャリブレーションを評価するために、これまでで最大の実証的研究を行った。
そこで本研究では,新しい可微分再校正法と正規化法を導入し,その有効性に関する新たな知見を明らかにした。
論文 参考訳(メタデータ) (2023-06-05T09:33:39Z) - Distribution-Free Model-Agnostic Regression Calibration via
Nonparametric Methods [9.662269016653296]
予測モデルの量子化を特徴付けるための個別キャリブレーションの目的について考察する。
既存の方法はほとんどなく、個々のキャリブレーションに関して統計的な保証が欠如している。
基礎となる予測モデルに依存しない単純な非パラメトリックキャリブレーション法を提案する。
論文 参考訳(メタデータ) (2023-05-20T21:31:51Z) - Sharp Calibrated Gaussian Processes [58.94710279601622]
キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。
本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。
我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
論文 参考訳(メタデータ) (2023-02-23T12:17:36Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳(メタデータ) (2022-10-14T08:09:33Z) - Modular Conformal Calibration [80.33410096908872]
回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。
このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。
我々は17の回帰データセットに対するMCCの実証的研究を行った。
論文 参考訳(メタデータ) (2022-06-23T03:25:23Z) - Recalibrating probabilistic forecasts of epidemics [13.447680826767183]
そこで本研究では,振り返り予測と観測結果からブラックボックス予測に適用可能な補正手法を提案する。
この方法は、インサンプルのトレーニングおよび測定時にキャリブレーションとログスコアのパフォーマンスを向上させることが保証される。
本手法をFluSight Networkの27名のインフルエンザ予報者に適用し,再校正が予測精度と校正精度を確実に向上することを示す。
論文 参考訳(メタデータ) (2021-12-12T19:22:24Z) - Learning Prediction Intervals for Regression: Generalization and
Calibration [12.576284277353606]
不確実性定量のための回帰における予測間隔の生成について検討する。
我々は一般学習理論を用いて、リプシッツ連続性とVC-サブグラフクラスを含む最適性と実現可能性のトレードオフを特徴づける。
我々は既存のベンチマークと比べてテスト性能の点で、区間生成とキャリブレーションアルゴリズムの強みを実証的に示している。
論文 参考訳(メタデータ) (2021-02-26T17:55:30Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Unsupervised Calibration under Covariate Shift [92.02278658443166]
ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。
実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
論文 参考訳(メタデータ) (2020-06-29T21:50:07Z)
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。