論文の概要: Invariant Probabilistic Prediction
- arxiv url: http://arxiv.org/abs/2309.10083v1
- Date: Mon, 18 Sep 2023 18:50:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-20 17:57:23.944942
- Title: Invariant Probabilistic Prediction
- Title（参考訳）: 不変確率予測
- Authors: Alexander Henzi and Xinwei Shen and Michael Law and Peter B\"uhlmann
- Abstract要約: 任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。
Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
- 参考スコア（独自算出の注目度）: 45.88151520988133
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, there has been a growing interest in statistical methods
that exhibit robust performance under distribution changes between training and
test data. While most of the related research focuses on point predictions with
the squared error loss, this article turns the focus towards probabilistic
predictions, which aim to comprehensively quantify the uncertainty of an
outcome variable given covariates. Within a causality-inspired framework, we
investigate the invariance and robustness of probabilistic predictions with
respect to proper scoring rules. We show that arbitrary distribution shifts do
not, in general, admit invariant and robust probabilistic predictions, in
contrast to the setting of point prediction. We illustrate how to choose
evaluation metrics and restrict the class of distribution shifts to allow for
identifiability and invariance in the prototypical Gaussian heteroscedastic
linear model. Motivated by these findings, we propose a method to yield
invariant probabilistic predictions, called IPP, and study the consistency of
the underlying parameters. Finally, we demonstrate the empirical performance of
our proposed procedure on simulated as well as on single-cell data.
- Abstract（参考訳）: 近年,トレーニングデータとテストデータ間の分布変化において,ロバストな性能を示す統計手法への関心が高まっている。
関連研究の多くは2乗誤差損失を伴う点予測に焦点をあてているが、この記事では、共変量による結果変数の不確かさを包括的に定量化することを目的とした確率的予測に焦点をあてる。
因果性に触発された枠組みの中で,適切なスコアリングルールに対する確率的予測の不均一性とロバスト性について検討する。
任意の分布シフトは、一般に、点予測の設定とは対照的に、不変かつ頑健な確率的予測を認めないことを示す。
本稿では,評価指標の選択方法を説明し,分布シフトのクラスを制限し,原型ガウス型ヘテロシドスティック線形モデルにおける識別性と不変性を可能にする。
そこで本研究では,IPPと呼ばれる不変確率予測手法を提案し,その基礎となるパラメータの整合性について検討する。
最後に,提案手法のシミュレーションおよび単一セルデータ上での実証的な性能を示す。
関連論文リスト
- Conformalized Interval Arithmetic with Symmetric Calibration [9.559062601251464]
我々は,複数の目標の和に対する予測区間に対して,単一目標に対する共形予測区間を開発する。
提案手法は, 既存のコンフォメーション手法や非コンフォメーション手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-08-20T15:27:18Z) - 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) - 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) - Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts
using Conditional Invertible Neural Networks [0.19573380763700712]
我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。
我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
論文 参考訳（メタデータ） (2023-02-03T15:11:39Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - 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。