Fugu-MT 論文翻訳(概要): Distribution-Free Predictive Inference under Unknown Temporal Drift

論文の概要: Distribution-Free Predictive Inference under Unknown Temporal Drift

arxiv url: http://arxiv.org/abs/2406.06516v1
Date: Mon, 10 Jun 2024 17:55:43 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 12:39:47.931505
Title: Distribution-Free Predictive Inference under Unknown Temporal Drift
Title（参考訳）: 未知の時間ドリフト下における分布自由予測推論
Authors: Elise Han, Chengpiao Huang, Kaizheng Wang,
Abstract要約: 本稿では、適応ウィンドウを選択して、そのデータを用いて予測セットを構築する戦略を提案する。提案手法は時間的ドリフトに対する適応性を示すため,鋭いカバレッジ保証を提供する。
参考スコア（独自算出の注目度）: 1.024113475677323
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Distribution-free prediction sets play a pivotal role in uncertainty quantification for complex statistical models. Their validity hinges on reliable calibration data, which may not be readily available as real-world environments often undergo unknown changes over time. In this paper, we propose a strategy for choosing an adaptive window and use the data therein to construct prediction sets. The window is selected by optimizing an estimated bias-variance tradeoff. We provide sharp coverage guarantees for our method, showing its adaptivity to the underlying temporal drift. We also illustrate its efficacy through numerical experiments on synthetic and real data.
Abstract（参考訳）: 分布のない予測セットは、複雑な統計モデルに対する不確実性定量化において重要な役割を果たす。それらの妥当性は信頼性の高いキャリブレーションデータに依存しており、現実の環境が時間とともに未知の変更を受ける場合が多いため、容易に利用できない可能性がある。本稿では、適応ウィンドウを選択し、そのデータを用いて予測セットを構築するための戦略を提案する。推定バイアス分散トレードオフを最適化してウィンドウを選択する。提案手法は時間的ドリフトに対する適応性を示すため,鋭いカバレッジ保証を提供する。また、合成および実データに関する数値実験により、その有効性を示す。

関連論文リスト

Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
論文参考訳（メタデータ） (2024-11-06T05:57:28Z)
Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-27T21:46:42Z)
Robust Conformal Prediction Using Privileged Information [17.886554223172517]
本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
論文参考訳（メタデータ） (2024-06-08T08:56:47Z)
Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文参考訳（メタデータ） (2024-02-13T09:40:19Z)
An Adaptive Method for Weak Supervision with Drifting Data [11.035811912078216]
非定常的な環境では,厳格な品質保証を施した適応手法を導入する。我々は、弱い監督源の精度が時間とともにドリフトできる非定常的なケースに焦点を当てる。我々のアルゴリズムはドリフトの大きさに関する仮定を一切必要とせず、入力に基づいて適応する。
論文参考訳（メタデータ） (2023-06-02T16:27:34Z)
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)
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)
Calibrated Selective Classification [34.08454890436067]
そこで我々は,「不確か」な不確実性のある例を拒否する手法を提案する。本稿では,選択的校正モデル学習のためのフレームワークを提案する。そこでは,任意のベースモデルの選択的校正誤差を改善するために,個別のセレクタネットワークを訓練する。われわれは,複数画像分類と肺癌リスク評価におけるアプローチの実証的効果を実証した。
論文参考訳（メタデータ） (2022-08-25T13:31:09Z)
Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文参考訳（メタデータ） (2022-08-16T08:03:30Z)
Adaptive Conformal Inference Under Distribution Shift [0.0]
本研究では,未知の方法でデータ生成分布を時間とともに変化させるオンライン環境において,予測セットを形成する手法を開発した。我々のフレームワークは、任意のブラックボックスメソッドと組み合わせられる一般的なラッパーを提供するために、共形推論のアイデアに基づいている。我々は,2つの実世界のデータセット上で適応型共形推論法を検証し,その予測が可視的および有意な分布シフトに対して堅牢であることを見出した。
論文参考訳（メタデータ） (2021-06-01T01:37:32Z)
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。