論文の概要: On training locally adaptive CP
- arxiv url: http://arxiv.org/abs/2306.04648v1
- Date: Mon, 5 Jun 2023 13:57:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 18:33:00.795127
- Title: On training locally adaptive CP
- Title（参考訳）: 局所適応CPの訓練について
- Authors: Nicolo Colombo
- Abstract要約: 本稿では,CP間隔を局所的に適応させる問題に対処する。
変数のトレーニング可能な変更、$A から phi_X(A)$ に再定義します。
ある条件下で、$phi_X$ が$A$ の単調であれば、変換は余分に有効であることが保証され、$X$依存のサイズを持つ予測区間を生成する。
- 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: We address the problem of making Conformal Prediction (CP) intervals locally
adaptive. Most existing methods focus on approximating the object-conditional
validity of the intervals by partitioning or re-weighting the calibration set.
Our strategy is new and conceptually different. Instead of re-weighting the
calibration data, we redefine the conformity measure through a trainable change
of variables, $A \to \phi_X(A)$, that depends explicitly on the object
attributes, $X$. Under certain conditions and if $\phi_X$ is monotonic in $A$
for any $X$, the transformations produce prediction intervals that are
guaranteed to be marginally valid and have $X$-dependent sizes. We describe how
to parameterize and train $\phi_X$ to maximize the interval efficiency.
Contrary to other CP-aware training methods, the objective function is smooth
and can be minimized through standard gradient methods without approximations.
- Abstract（参考訳）: 共形予測(cp)間隔を局所的に適応させる問題に対処する。
既存の手法のほとんどは、キャリブレーションセットの分割や再重み付けによる区間のオブジェクト条件妥当性の近似に重点を置いている。
私たちの戦略は新しく概念的に異なる。
キャリブレーションデータを再重み付けする代わりに、変数のトレーニング可能な変更($A \to \phi_X(A)$)によって適合度尺度を再定義します。
ある条件の下で、$\phi_X$ が$A$ の単調であれば、変換は余分に有効であり、$X$依存のサイズを持つことが保証される予測区間を生成する。
インターバル効率を最大化するために$\phi_X$をパラメータ化してトレーニングする方法を説明する。
他のCP対応学習法とは対照的に、目的関数は滑らかであり、近似なしで標準勾配法で最小化できる。
関連論文リスト
- Learning Infinite-Horizon Average-Reward Linear Mixture MDPs of Bounded Span [16.49229317664822]
本稿では,無限水平平均逆線形混合マルコフ決定過程(MDPs)を学習するための計算抽出可能なアルゴリズムを提案する。
線形混合MDPのアルゴリズムは,$widetildemathcalO(dsqrtmathrmsp(v*)T)$$$T$以上の最小限の後悔上限を実現する。
論文 参考訳（メタデータ） (2024-10-19T05:45:50Z) - Adaptive $k$-nearest neighbor classifier based on the local estimation of the shape operator [49.87315310656657]
我々は, 局所曲率をサンプルで探索し, 周辺面積を適応的に定義する適応型$k$-nearest(kK$-NN)アルゴリズムを提案する。
多くの実世界のデータセットから、新しい$kK$-NNアルゴリズムは、確立された$k$-NN法と比較してバランスの取れた精度が優れていることが示されている。
論文 参考訳（メタデータ） (2024-09-08T13:08:45Z) - Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit
Feedback and Unknown Transition [71.33787410075577]
線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。
我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-07T15:03:50Z) - Conformalization of Sparse Generalized Linear Models [2.1485350418225244]
等角予測法は、任意の有限サンプルサイズに対して有効である$y_n+1$の信頼セットを推定する。
魅力的ではあるが、そのような集合の計算は多くの回帰問題において計算不可能である。
経路追従アルゴリズムが共形予測集合を正確に近似する方法を示す。
論文 参考訳（メタデータ） (2023-07-11T08:36:12Z) - Beyond Moments: Robustly Learning Affine Transformations with
Asymptotically Optimal Error [8.615625517708324]
サンプルから標準ハイパーキューブの未知アフィン変換を学習するためのリアルタイムアルゴリズムを提案する。
本アルゴリズムは,証明書の要求が満たされない場合に,未知アフィン変換の推定を反復的に改善する手法に基づいている。
論文 参考訳（メタデータ） (2023-02-23T19:13:30Z) - A Constant-per-Iteration Likelihood Ratio Test for Online Changepoint
Detection for Exponential Family Models [1.376408511310322]
FOCuSはガウスデータにおける平均値の変化を検出するために導入され、その値が1回あたりのコストを$O(log T)$に下げる。
アルゴリズムの最大化ステップを適応的に実行し、これらの可能性のある場所の小さな部分集合に対してテスト統計を最大化するだけでよいことを示す。
論文 参考訳（メタデータ） (2023-02-09T16:24:12Z) - Adaptive Stochastic Variance Reduction for Non-convex Finite-Sum
Minimization [52.25843977506935]
有限サム構造をもつ$L$-smooth, non-deuction関数に対して, AdaSpider と呼ばれる適応分散法を提案する。
そうすることで、$tildeOleft + st/epsilonコールで$epsilon-stationaryポイントを計算することができます。
論文 参考訳（メタデータ） (2022-11-03T14:41:46Z) - Best Policy Identification in Linear MDPs [70.57916977441262]
縮退した線形マルコフ+デルタ決定における最適同定問題について, 生成モデルに基づく固定信頼度設定における検討を行った。
複雑な非最適化プログラムの解としての下位境界は、そのようなアルゴリズムを考案する出発点として用いられる。
論文 参考訳（メタデータ） (2022-08-11T04:12:50Z) - A first-order primal-dual method with adaptivity to local smoothness [64.62056765216386]
凸凹対象 $min_x max_y f(x) + langle Ax, yrangle - g*(y)$, ここで、$f$ は局所リプシッツ勾配を持つ凸関数であり、$g$ は凸かつ非滑らかである。
主勾配ステップと2段ステップを交互に交互に行うCondat-Vuアルゴリズムの適応バージョンを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:19:30Z) - Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。
実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
論文 参考訳（メタデータ） (2020-07-05T18:58:47Z)
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。