論文の概要: Length Optimization in Conformal Prediction

• arxiv url: http://arxiv.org/abs/2406.18814v3
• Date: Wed, 11 Dec 2024 18:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 14:00:26.258865
• Title: Length Optimization in Conformal Prediction
• Title（参考訳）: コンフォーマル予測における長さ最適化
• Authors: Shayan Kiyani, George Pappas, Hamed Hassani,
• Abstract要約: Conformal Prediction with Length-Optimization (CPL) は、ほぼ最適な長さの予測セットを構築するための、新しく実用的なフレームワークである。 本稿では,CPLが条件付き妥当性と長さの最適性を実現することを示す。 実験による評価は, CPLの最先端手法と比較して, 予測セットサイズ性能が優れていることを示す。
• 参考スコア（独自算出の注目度）: 22.733758606168873
• License:
• Abstract: Conditional validity and length efficiency are two crucial aspects of conformal prediction (CP). Conditional validity ensures accurate uncertainty quantification for data subpopulations, while proper length efficiency ensures that the prediction sets remain informative. Despite significant efforts to address each of these issues individually, a principled framework that reconciles these two objectives has been missing in the CP literature. In this paper, we develop Conformal Prediction with Length-Optimization (CPL) - a novel and practical framework that constructs prediction sets with (near-) optimal length while ensuring conditional validity under various classes of covariate shifts, including the key cases of marginal and group-conditional coverage. In the infinite sample regime, we provide strong duality results which indicate that CPL achieves conditional validity and length optimality. In the finite sample regime, we show that CPL constructs conditionally valid prediction sets. Our extensive empirical evaluations demonstrate the superior prediction set size performance of CPL compared to state-of-the-art methods across diverse real-world and synthetic datasets in classification, regression, and large language model-based multiple choice question answering. An Implementation of our algorithm can be accessed at the following link: https://github.com/shayankiyani98/CP.
• Abstract（参考訳）: 条件付き妥当性と長さ効率は共形予測(CP)の2つの重要な側面である。 条件付き妥当性は、データサブポピュレーションの正確な不確実性定量化を保証し、適切な長さ効率は、予測セットが情報的であることを保証する。 これらの問題を個別に解決しようとする大きな努力にもかかわらず、これらの2つの目的を和解する原則的な枠組みはCP文献に欠落している。 本稿では,CPL (Conformal Prediction with Length-Optimization) を開発した。このフレームワークは,境界条件とグループ条件範囲のキーケースを含む,共変量シフトの様々なクラスにおいて条件の妥当性を確保しつつ,(ほぼ)最適長の予測セットを構築する。 無限サンプル状態においては、CPLが条件付き妥当性と長さ最適性を達成することを示す強い双対性結果を提供する。 有限サンプル状態において、CPLは条件付き有効予測セットを構成することを示す。 CPLの予測セットサイズは,分類,回帰,大規模言語モデルに基づく複数選択質問応答において,多種多様な実世界および合成データセットにまたがる最先端の手法と比較して,優れた評価結果が得られた。 我々のアルゴリズムの実装は以下のリンクでアクセスできる。

関連論文リスト

• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。 本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• 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)
• Conformal Prediction with Learned Features [22.733758606168873]
  本稿では,予測セットの条件付き妥当性を向上させるために,PLCP(Partition Learning Conformal Prediction)を提案する。 我々は,市販の機械学習モデルを用いて,勾配の交互化によるPLCPを効率的に実装する。 4つの実世界および合成データセットに対する実験結果から,PLCPの優れた性能を示した。
  論文  参考訳（メタデータ） (2024-04-26T15:43:06Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• PAC-Bayes Generalization Certificates for Learned Inductive Conformal Prediction [27.434939269672288]
  我々はPAC-Bayes理論を用いて、集合値予測器のカバレッジと効率の一般化境界を求める。 我々はこれらの理論結果を活用し、キャリブレーションデータを用いてモデルのパラメータやスコア関数を微調整する実用的なアルゴリズムを提供する。 我々は, 回帰および分類タスクに対するアプローチの評価を行い, ICP 上の Hoeffding bound-based PAC 保証を用いて, 基準値の調整を行った。
  論文  参考訳（メタデータ） (2023-12-07T19:40:44Z)
• 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)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Pessimistic Minimax Value Iteration: Provably Efficient Equilibrium Learning from Offline Datasets [101.5329678997916]
  両プレイヤーゼロサムマルコフゲーム(MG)をオフライン環境で研究する。 目標は、事前収集されたデータセットに基づいて、近似的なナッシュ均衡(NE)ポリシーペアを見つけることである。
  論文  参考訳（メタデータ） (2022-02-15T15:39:30Z)
• Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
  ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。 DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。 有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
  論文  参考訳（メタデータ） (2021-02-23T18:56:13Z)
• Approximation to Object Conditional Validity with Conformal Predictors [0.2538209532048866]
  コンフォーマル予測器は、有限サンプルの限界的妥当性を保証する予測間隔を出力する機械学習アルゴリズムです。 このような条件付き妥当性は有限サンプルの非自明な予測問題を保証することは不可能であることが示されている。 本稿では,条件付き妥当性の強い結果を得るのではなく,条件付き妥当性の近似を達成するという,より弱い目標を考える。
  論文  参考訳（メタデータ） (2021-02-15T10:14:44Z)
• Efficient Conformal Prediction via Cascaded Inference with Expanded Admission [43.596058175459746]
  共形予測(CP)のための新しい手法を提案する。 我々は、単一の予測の代わりに、予測候補のセットを特定することを目指している。 この集合は、高い確率で正しい答えを含むことが保証される。
  論文  参考訳（メタデータ） (2020-07-06T23:13:07Z)

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。