論文の概要: Confidence on the Focal: Conformal Prediction with Selection-Conditional
Coverage
- arxiv url: http://arxiv.org/abs/2403.03868v1
- Date: Wed, 6 Mar 2024 17:18:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 14:13:18.717713
- Title: Confidence on the Focal: Conformal Prediction with Selection-Conditional
Coverage
- Title(参考訳): 音声の信頼:選択性被覆によるコンフォーマル予測
- Authors: Ying Jin, Zhimei Ren
- Abstract要約: コンフォーマル予測は、ランダムに描画された新しいテストポイントの未知の結果を所定の確率でカバーする、わずかに有効な予測間隔を構築する。
本稿では、選択した単位に対して、有限サンプルの正確なカバレッジ条件を持つ予測セットを構築するための一般的な枠組みを提案する。
- 参考スコア(独自算出の注目度): 7.101159167852021
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conformal prediction builds marginally valid prediction intervals which cover
the unknown outcome of a randomly drawn new test point with a prescribed
probability. In practice, a common scenario is that, after seeing the test
unit(s), practitioners decide which test unit(s) to focus on in a data-driven
manner, and wish to quantify the uncertainty for the focal unit(s). In such
cases, marginally valid prediction intervals for these focal units can be
misleading due to selection bias. This paper presents a general framework for
constructing a prediction set with finite-sample exact coverage conditional on
the unit being selected. Its general form works for arbitrary selection rules,
and generalizes Mondrian Conformal Prediction to multiple test units and
non-equivariant classifiers. We then work out computationally efficient
implementation of our framework for a number of realistic selection rules,
including top-K selection, optimization-based selection, selection based on
conformal p-values, and selection based on properties of preliminary conformal
prediction sets. The performance of our methods is demonstrated via
applications in drug discovery and health risk prediction.
- Abstract(参考訳): コンフォーマル予測は、ランダムに描画された新しいテストポイントの未知の結果を所定の確率でカバーする限界有効予測間隔を構築する。
実際に一般的なシナリオは、テストユニットを見た後、実践者がデータ駆動方式でどのテストユニットにフォーカスするかを決め、焦点ユニットの不確実性を定量化したいというものである。
このような場合、これらの焦点単位の正当な予測間隔は選択バイアスによって誤解を招くことがある。
本稿では,選択対象単位に有限サンプル完全カバレッジ条件付き予測セットを構築するための一般的な枠組みを提案する。
その一般形式は任意の選択規則に作用し、モンドリアン変換予測を複数のテスト単位と非同変分類器に一般化する。
次に,top-k選択,最適化に基づく選択,適合p値に基づく選択,予備共形予測集合の特性に基づく選択など,多くの現実的な選択規則に対する計算効率の高いフレームワークの実装を行った。
本手法の性能は,創薬および健康リスク予測の応用により実証された。
関連論文リスト
- Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。
クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
論文 参考訳(メタデータ) (2023-06-15T17:59:02Z) - 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) - Selection by Prediction with Conformal p-values [7.917044695538599]
本研究では,未観測結果がユーザ指定値を超える候補を選択するためのスクリーニング手順について検討する。
本研究では,任意の予測モデルをラップして候補のサブセットを生成する手法を開発した。
論文 参考訳(メタデータ) (2022-10-04T06:34:49Z) - 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) - Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。
効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
論文 参考訳(メタデータ) (2022-06-14T03:58:03Z) - Practical Adversarial Multivalid Conformal Prediction [27.179891682629183]
逐次予測のための一般的な共形予測法を提案する。
相手が選択したデータに対して、ターゲットの実証的カバレッジを保証する。
これは計算的に軽量であり、分割共形予測に匹敵する。
論文 参考訳(メタデータ) (2022-06-02T14:33:00Z) - Black-box Selective Inference via Bootstrapping [5.960626580825523]
条件選択推論は選択イベントの正確な特徴を必要とするが、ラッソのようないくつかの例を除いてしばしば利用できない。
この研究は、選択イベントを推定するための一般的なアプローチを導入し、選択イベントに条件付けされた実行可能な推論を容易にすることで、この問題に対処する。
論文 参考訳(メタデータ) (2022-03-28T05:18:21Z) - Conformal Prediction Sets with Limited False Positives [43.596058175459746]
提案手法は,有界な解数を持つ予測候補の正確なセットを出力することを目的として,多ラベル共形予測の新しい手法を開発する。
本稿では、自然言語処理、コンピュータビジョン、計算化学における様々な分類タスクにおけるこのアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2022-02-15T18:52:33Z) - Conformal prediction for the design problem [72.14982816083297]
機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。
このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。
このような環境で予測の不確実性を定量化する手法を提案する。
論文 参考訳(メタデータ) (2022-02-08T02:59:12Z) - 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) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳(メタデータ) (2020-06-24T23:13:11Z)
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。