論文の概要: Self-Consistent Conformal Prediction
- arxiv url: http://arxiv.org/abs/2402.07307v1
- Date: Sun, 11 Feb 2024 21:12:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 16:19:58.300799
- Title: Self-Consistent Conformal Prediction
- Title(参考訳): 自己整合性コンフォーマル予測
- Authors: Lars van der Laan, Ahmed M. Alaa
- Abstract要約: コンフォーマル予測は、意思決定者が行動の結果の不確実性を定量化し、より良いリスク管理を可能にする。
本稿では,モデル予測によって誘導される行動に有効な,Venn-Abers校正予測と共形予測間隔の両方をもたらす自己整合整合予測を導入する。
- 参考スコア(独自算出の注目度): 19.618287674956477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In decision-making guided by machine learning, decision-makers often take
identical actions in contexts with identical predicted outcomes. Conformal
prediction helps decision-makers quantify outcome uncertainty for actions,
allowing for better risk management. Inspired by this perspective, we introduce
self-consistent conformal prediction, which yields both Venn-Abers calibrated
predictions and conformal prediction intervals that are valid conditional on
actions prompted by model predictions. Our procedure can be applied post-hoc to
any black-box predictor to provide rigorous, action-specific decision-making
guarantees. Numerical experiments show our approach strikes a balance between
interval efficiency and conditional validity.
- Abstract(参考訳): 機械学習によって導かれる意思決定では、意思決定者は、しばしば同じ予測結果のコンテキストで同じ行動をとる。
共形予測は、意思決定者が行動の結果の不確実性を定量化し、より良いリスク管理を可能にする。
この観点から,モデル予測によって引き起こされる行動に有効な,Venn-Abers校正予測と共形予測間隔の両方をもたらす自己整合整合予測を導入する。
我々の手順は、厳密でアクション固有の意思決定保証を提供するため、どんなブラックボックス予測にもポストホックで適用することができる。
数値実験により,本手法は区間効率と条件付き妥当性のバランスを示す。
関連論文リスト
- Automatically Reconciling the Trade-off between Prediction Accuracy and
Earliness in Prescriptive Business Process Monitoring [0.802904964931021]
本稿では,予測精度と予測聴力のトレードオフを自動的に整合する問題に着目する。
予測精度と補聴器とのトレードオフを和らげるために、文献で異なるアプローチが提示された。
予測精度と補聴器のトレードオフを整合する主要な代替手法の比較評価を行う。
論文 参考訳(メタデータ) (2023-07-12T06:07:53Z) - Post-selection Inference for Conformal Prediction: Trading off Coverage
for Precision [0.0]
伝統的に、共形予測推論はデータに依存しない発見レベルの仕様を必要とする。
我々は,データ依存的誤発見レベルを考慮した同時共形推論を開発する。
論文 参考訳(メタデータ) (2023-04-12T20:56:43Z) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳(メタデータ) (2023-02-23T18:57:14Z) - Predictive Inference with Feature Conformal Prediction [80.77443423828315]
本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。
理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。
提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
論文 参考訳(メタデータ) (2022-10-01T02:57:37Z) - 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) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳(メタデータ) (2021-02-11T18:59:11Z) - Right Decisions from Wrong Predictions: A Mechanism Design Alternative
to Individual Calibration [107.15813002403905]
意思決定者は、しばしば不完全な確率予測に頼る必要がある。
本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。
本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
論文 参考訳(メタデータ) (2020-11-15T08:22:39Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Fast, Optimal, and Targeted Predictions using Parametrized Decision
Analysis [0.0]
我々はベイズ決定解析のためのパラメータ化された行動のクラスを開発し、最適でスケーラブルで単純な目標予測を生成する。
全国健康栄養検査調査の身体活動データに対する予測が作成されている。
論文 参考訳(メタデータ) (2020-06-23T15:55:47Z) - From Predictions to Decisions: Using Lookahead Regularization [28.709041337894107]
ユーザアクションを予測することで、予測モデルが結果を改善するアクションを誘発するように促すルックアヘッド正規化を導入する。
本稿では,本手法の有効性を示す実データおよび合成データに関する実験結果について報告する。
論文 参考訳(メタデータ) (2020-06-20T19:23:03Z)
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。