論文の概要: Uncertainty quantification in automated valuation models with locally weighted conformal prediction

• arxiv url: http://arxiv.org/abs/2312.06531v1
• Date: Mon, 11 Dec 2023 17:09:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 14:57:19.565031
• Title: Uncertainty quantification in automated valuation models with locally weighted conformal prediction
• Title（参考訳）: 局所重み付き共形予測を用いた自動評価モデルの不確かさ定量化
• Authors: Anders Hjort and Gudmund Horn Hermansen and Johan Pensar and Jonathan P. Williams
• Abstract要約: Conformal Prediction (CP) は、最小限の仮定で機械学習予測モデルの周りに信頼セットを構築するためのモデルに依存しないフレームワークである。 住宅価格で観測される空間的依存関係のため、CPの直接適用は、至る所で校正されていない信頼セットにつながる。 非整合性スコアのテキスト局所重み付け版における信頼度セットの校正は、地理的に異なる領域において、より一貫した校正を行うことを示す。
• 参考スコア（独自算出の注目度）: 1.167489362272148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-parametric machine learning models, such as random forests and gradient boosted trees, are frequently used to estimate house prices due to their predictive accuracy, but such methods are often limited in their ability to quantify prediction uncertainty. Conformal Prediction (CP) is a model-agnostic framework for constructing confidence sets around machine learning prediction models with minimal assumptions. However, due to the spatial dependencies observed in house prices, direct application of CP leads to confidence sets that are not calibrated everywhere, i.e., too large of confidence sets in certain geographical regions and too small in others. We survey various approaches to adjust the CP confidence set to account for this and demonstrate their performance on a data set from the housing market in Oslo, Norway. Our findings indicate that calibrating the confidence sets on a \textit{locally weighted} version of the non-conformity scores makes the coverage more consistently calibrated in different geographical regions. We also perform a simulation study on synthetically generated sale prices to empirically explore the performance of CP on housing market data under idealized conditions with known data-generating mechanisms.
• Abstract（参考訳）: 非パラメトリック機械学習モデル、例えば無作為林や勾配高木などは、予測精度から住宅価格を推定するためにしばしば使用されるが、予測の不確実性を定量化する能力に制限されることが多い。 Conformal Prediction (CP)は、最小限の仮定で機械学習予測モデルの周りに信頼セットを構築するためのモデルに依存しないフレームワークである。 しかし、住宅価格で観測される空間的依存関係のため、CPの直接的な適用は、至る所で校正されていない信頼セット、すなわち特定の地理的領域における信頼セットがあまりに大きく、他の領域では小さすぎることにつながる。 そこで我々は,cp信頼度を調節するための様々なアプローチを調査し,ノルウェーのオスロの住宅市場から収集したデータを用いて,その性能を実証する。 以上の結果から,非整合性スコアの <textit{locally weighted> バージョンに対する信頼度セットの校正は,地域によって一貫した校正を行うことが示唆された。 また, 既知データ生成機構を有する理想化条件下での住宅市場データにおけるCPの性能を実証的に検討するために, 合成販売価格に関するシミュレーション研究を行った。

関連論文リスト

• Probabilistic Scores of Classifiers, Calibration is not Enough [0.32985979395737786]
  二項分類タスクでは、確率的予測の正確な表現が実世界の様々な応用に不可欠である。 本研究では,予測スコアと真の確率分布の一致を優先するアプローチを強調した。 その結果,従来の校正基準の限界が明らかとなり,重要な意思決定のための予測モデルの信頼性を損なう可能性が示唆された。
  論文  参考訳（メタデータ） (2024-08-06T19:53:00Z)
• From Conformal Predictions to Confidence Regions [1.4272411349249627]
  モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。 本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。 本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
  論文  参考訳（メタデータ） (2024-05-28T21:33:12Z)
• Revisiting Confidence Estimation: Towards Reliable Failure Prediction [53.79160907725975]
  多くの信頼度推定法は誤分類誤りを検出するのに有害である。 本稿では, 最先端の故障予測性能を示す平坦な最小値を求めることにより, 信頼性ギャップを拡大することを提案する。
  論文  参考訳（メタデータ） (2024-03-05T11:44:14Z)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• On the Temperature of Bayesian Graph Neural Networks for Conformal Prediction [3.4546761246181696]
  コンフォーマル予測(CP)は不確実性を定量化するための有望なフレームワークを提供する。 CP は、予測セットが所望の確率を持つ真のラベルを含むことを正式な確率的保証を保証する。 より効率的な予測セットをもたらす温度の存在を実証的に実証する。
  論文  参考訳（メタデータ） (2023-10-17T10:24:25Z)
• Multiclass Alignment of Confidence and Certainty for Network Calibration [10.15706847741555]
  最近の研究では、ディープニューラルネットワーク(DNN)が過信的な予測を行う傾向があることが示されている。 予測平均信頼度と予測確実性(MACC)の多クラスアライメントとして知られる簡易なプラグアンドプレイ補助損失を特徴とする列車時キャリブレーション法を提案する。 本手法は,領域内および領域外両方のキャリブレーション性能を実現する。
  論文  参考訳（メタデータ） (2023-09-06T00:56:24Z)
• Proximity-Informed Calibration for Deep Neural Networks [49.330703634912915]
  ProCalは、近接性に基づいてサンプル信頼度を調整する理論的保証を持つプラグアンドプレイアルゴリズムである。 ProCalは、近接バイアスに対処し、バランスの取れた、長い、分布シフトの設定の校正を改善するのに有効であることを示す。
  論文  参考訳（メタデータ） (2023-06-07T16:40:51Z)
• Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
  UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。 データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
  論文  参考訳（メタデータ） (2022-10-24T17:53:20Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• MD-split+: Practical Local Conformal Inference in High Dimensions [0.5439020425819]
  MD-split+は、局所化されたモデル性能に基づいてXパーティションを生成する、実用的な局所共形アプローチである。 我々は,我々の局所的分割が条件付き共形推論手法から期待される行動と哲学的にどのように一致しているかを論じる。
  論文  参考訳（メタデータ） (2021-07-07T15:19:16Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。