論文の概要: Training-Conditional Coverage Bounds under Covariate Shift
- arxiv url: http://arxiv.org/abs/2405.16594v1
- Date: Sun, 26 May 2024 15:07:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 20:19:32.308288
- Title: Training-Conditional Coverage Bounds under Covariate Shift
- Title（参考訳）: 共変量シフト下におけるトレーニング・コンディション被覆境界
- Authors: Mehrdad Pournaderi, Yu Xiang,
- Abstract要約: コンフォメーション予測手法の訓練条件カバレッジ特性について検討した。
分割共形法の結果はほぼ仮定なしであるが、完全共形法とJackknife+法の結果は強い仮定に依存する。
- 参考スコア（独自算出の注目度）: 2.3072402651280517
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Training-conditional coverage guarantees in conformal prediction concern the concentration of the error distribution, conditional on the training data, below some nominal level. The conformal prediction methodology has recently been generalized to the covariate shift setting, namely, the covariate distribution changes between the training and test data. In this paper, we study the training-conditional coverage properties of a range of conformal prediction methods under covariate shift via a weighted version of the Dvoretzky-Kiefer-Wolfowitz (DKW) inequality tailored for distribution change. The result for the split conformal method is almost assumption-free, while the results for the full conformal and jackknife+ methods rely on strong assumptions including the uniform stability of the training algorithm.
- Abstract（参考訳）: トレーニング条件のカバレッジは、一定の名目レベル以下で、トレーニングデータに条件付きであるエラー分布の集中を、コンフォーマルな予測で保証する。
共形予測手法は、最近、共変量シフト設定、すなわち、トレーニングデータとテストデータの間の共変量分布の変化に一般化されている。
本稿では,分布変化に合わせたドヴォルツキー・キーファー・ウルフウィッツの不等式(DKW)の重み付きバージョンを用いて,共変量シフト下での様々な共形予測手法の訓練条件カバレッジ特性について検討する。
分割共形法の結果はほぼ仮定なしで、完全共形法とJackknife+法の結果はトレーニングアルゴリズムの均一安定性を含む強い仮定に依存している。
関連論文リスト
- Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-07-01T20:44:48Z) - Distribution-free Conformal Prediction for Ordinal Classification [0.0]
正規分類は、対象変数がクラスラベル間で自然な順序付けを持つ実アプリケーションで一般的である。
連続的および非連続的な予測セットを構築するための新しい共形予測手法を開発した。
論文 参考訳（メタデータ） (2024-04-25T13:49:59Z) - Training-Conditional Coverage Bounds for Uniformly Stable Learning Algorithms [2.3072402651280517]
本研究では, フルコンフォーマル, ジャックナイフ+, CV+予測領域の訓練条件範囲について検討した。
我々は、(推定)予測関数の濃度論により有限次元モデルのカバレッジ境界を導出する。
論文 参考訳（メタデータ） (2024-04-21T18:18:34Z) - Conditional validity of heteroskedastic conformal regression [12.905195278168506]
等角予測と分割等角予測は、統計的保証付き予測間隔を推定するための分布自由なアプローチを提供する。
近年の研究では、分割共形予測は、限界被覆に着目した場合、最先端の予測間隔を生み出すことが示されている。
本稿では,正規化やモンドリアン等式予測などの手法を用いて,予測間隔の構築方法について,新たな光を当てることを試みる。
論文 参考訳（メタデータ） (2023-09-15T11:10:46Z) - Conformal Prediction for Federated Uncertainty Quantification Under
Label Shift [57.54977668978613]
Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。
我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
論文 参考訳（メタデータ） (2023-06-08T11:54:58Z) - Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。
歴史的情報を適切に再利用するオンライン手法を提案する。
我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
論文 参考訳（メタデータ） (2023-02-06T04:03:33Z) - 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) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-08T11:35:47Z) - 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。