Fugu-MT 論文翻訳(概要): Conformal Prediction: A Data Perspective

論文の概要: Conformal Prediction: A Data Perspective

arxiv url: http://arxiv.org/abs/2410.06494v1
Date: Sat, 12 Oct 2024 04:47:49 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 05:18:55.616527
Title: Conformal Prediction: A Data Perspective
Title（参考訳）: コンフォーマル予測:データ・パースペクティブ
Authors: Xiaofan Zhou, Baiting Chen, Yu Gui, Lu Cheng,
Abstract要約: コンフォーマル予測(CP)はブラックボックスモデルに対して有効な予測推測を提供する。現代のデータサイエンスは、データとモデルの複雑さの増加とともに、従来のCPメソッドに挑戦する。本調査では,データ中心の観点からCPの基礎概念と最近の進歩を概観する。
参考スコア（独自算出の注目度）: 2.877393444895144
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Conformal prediction (CP), a distribution-free uncertainty quantification (UQ) framework, reliably provides valid predictive inference for black-box models. CP constructs prediction sets that contain the true output with a specified probability. However, modern data science diverse modalities, along with increasing data and model complexity, challenge traditional CP methods. These developments have spurred novel approaches to address evolving scenarios. This survey reviews the foundational concepts of CP and recent advancements from a data-centric perspective, including applications to structured, unstructured, and dynamic data. We also discuss the challenges and opportunities CP faces in large-scale data and models.
Abstract（参考訳）: 分布のない不確実性定量化(UQ)フレームワークであるコンフォーマル予測(CP)は、ブラックボックスモデルに対して有効な予測推論を確実に提供する。 CPは、特定の確率で真の出力を含む予測セットを構成する。しかし、現代のデータサイエンスは、データとモデルの複雑さの増大とともに、従来のCPメソッドに挑戦する多様なモダリティを持っている。これらの発展は、進化するシナリオに対処するための新しいアプローチを刺激してきた。この調査は、CPの基本概念と、構造化、非構造化、動的データへのアプリケーションを含む、データ中心の観点からの最近の進歩についてレビューする。また、CPが大規模データやモデルで直面する課題や機会についても論じる。

関連論文リスト

Visual Data Diagnosis and Debiasing with Concept Graphs [50.84781894621378]
視覚データセットにおける概念共起バイアスの診断と緩和のためのフレームワークであるConBiasを提案する。このような不均衡を緩和し,下流タスクの性能向上につながることを示す。
論文参考訳（メタデータ） (2024-09-26T16:59:01Z)
Conformalized Link Prediction on Graph Neural Networks [8.807684750444626]
グラフニューラルネットワーク(GNN)は様々なタスクに優れていますが、高い領域でのその応用は信頼性の低い予測によって妨げられます。本稿では,GNNに基づくリンク予測の統計的保証を伴う予測区間を構築するために,分布自由かつモデルに依存しない不確実性定量化手法を提案する。
論文参考訳（メタデータ） (2024-06-26T21:17:37Z)
Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文参考訳（メタデータ） (2024-04-11T09:23:36Z)
Cumulative Distribution Function based General Temporal Point Processes [49.758080415846884]
CuFunモデルは、累積分布関数(CDF)を中心に回転するTPPに対する新しいアプローチを表す提案手法は従来のTPPモデリングに固有のいくつかの重要な問題に対処する。コントリビューションには、先駆的なCDFベースのTPPモデルの導入、過去の事象情報を将来の事象予測に組み込む方法論の開発が含まれている。
論文参考訳（メタデータ） (2024-02-01T07:21:30Z)
Efficient Conformal Prediction under Data Heterogeneity [79.35418041861327]
コンフォーマル予測(CP)は不確実性定量化のための頑健な枠組みである。非交換性に対処するための既存のアプローチは、最も単純な例を超えて計算不可能なメソッドにつながる。この研究は、比較的一般的な非交換可能なデータ分布に対して証明可能な信頼セットを生成する、CPに新しい効率的なアプローチを導入する。
論文参考訳（メタデータ） (2023-12-25T20:02:51Z)
Prediction De-Correlated Inference: A safe approach for post-prediction inference [0.8192907805418583]
この設定での推論はしばしばポスト述語推論と呼ばれる。我々は,予測相関推論 (PDC) という,予測後条件下での統計的推論のための新しい仮定リーンフレームワークを提案する。我々のアプローチは安全であり、PDCが任意のブラックボックス機械学習モデルに自動的に適応し、教師付き機械学習モデルよりも一貫して優れる。
論文参考訳（メタデータ） (2023-12-11T16:04:48Z)
Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文参考訳（メタデータ） (2023-08-03T12:43:21Z)
Statistically Efficient Bayesian Sequential Experiment Design via Reinforcement Learning with Cross-Entropy Estimators [15.461927416747582]
強化学習は、実験のシーケンスを設計するための改善された設計ポリシーを学ぶことができる。本稿では,関節モデル分布のクロスエントロピーとフレキシブルな提案分布に基づく代替推定器を提案する。提案手法は,従来の手法の指数サンプルの複雑さを克服し,高いEIG値のより正確な推定値を提供する。
論文参考訳（メタデータ） (2023-05-29T00:35:52Z)
Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。本稿では,共形予測を連邦学習環境に拡張する。本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文参考訳（メタデータ） (2023-05-27T19:57:27Z)
Design-based conformal prediction [0.0]
コンフォーマル予測(Conformal prediction)は、分布のない予測間隔や集合を生成するための仮定リーンなアプローチである。そこで本研究では, 共形予測が, 複合的なサンプルサーベイ設計から得られるデータにどのように適用できるかを示す。
論文参考訳（メタデータ） (2023-03-02T17:15:31Z)
Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文参考訳（メタデータ） (2020-08-10T17:09:16Z)

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。