Fugu-MT 論文翻訳(概要): Lifted Coefficient of Determination: Fast model-free prediction intervals and likelihood-free model comparison

論文の概要: Lifted Coefficient of Determination: Fast model-free prediction intervals and likelihood-free model comparison

arxiv url: http://arxiv.org/abs/2410.08958v1
Date: Fri, 11 Oct 2024 16:27:31 GMT
ステータス: 処理完了
システム内更新日: 2024-10-30 20:56:20.162203
Title: Lifted Coefficient of Determination: Fast model-free prediction intervals and likelihood-free model comparison
Title（参考訳）: 決定のリフテッド係数:高速モデルフリー予測間隔と確率フリーモデル比較
Authors: Daniel Salnikov, Kevin Michalewicz, Dan Leonte,
Abstract要約: 予測値と観測値の相関が大きくなるにつれて、モデルフリーな予測間隔がより強くなる。これらの区間は、任意の損失関数のモデル比較基準である決定の$textitLifted係数を動機付けている。予測区間をより一般的な誤差分布に拡張し、回帰のための高速モデルフリーな外乱検出アルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: We propose the $\textit{lifted linear model}$, and derive model-free prediction intervals that become tighter as the correlation between predictions and observations increases. These intervals motivate the $\textit{Lifted Coefficient of Determination}$, a model comparison criterion for arbitrary loss functions in prediction-based settings, e.g., regression, classification or counts. We extend the prediction intervals to more general error distributions, and propose a fast model-free outlier detection algorithm for regression. Finally, we illustrate the framework via numerical experiments.
Abstract（参考訳）: 本稿では,予測値と観測値の相関が大きくなるにつれて,モデルフリーな予測区間を導出する$\textit{lifted linear model}$を提案する。これらの間隔は$\textit{Lifted Coefficient of determined}$、予測ベース設定における任意の損失関数のモデル比較基準、例えば回帰、分類、カウントを動機付けます。予測区間をより一般的な誤差分布に拡張し、回帰のための高速モデルフリーな外乱検出アルゴリズムを提案する。最後に,この枠組みを数値実験により説明する。

関連論文リスト

DistPred: A Distribution-Free Probabilistic Inference Method for Regression and Forecasting [14.390842560217743]
本稿では、回帰予測タスクのためのDistPredという新しい手法を提案する。予測分布と対象分布の差分を測定するための適切なスコアリングルールを、微分可能な離散形式に変換する。これにより、モデルは単一のフォワードパスで多数のサンプルをサンプリングし、応答変数の潜在的分布を推定することができる。
論文参考訳（メタデータ） (2024-06-17T10:33:00Z)
Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文参考訳（メタデータ） (2024-05-29T01:32:17Z)
Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文参考訳（メタデータ） (2023-09-02T01:27:53Z)
Time Series Prediction under Distribution Shift using Differentiable Forgetting [0.0]
我々は,重み付き経験的リスク最小化問題として,分布シフトの下での時系列予測について検討した。経験的リスクにおける過去の観測の重み付けは、忘れる機構によって決定される。そこで本研究では,忘れる機構のパラメータに対する勾配に基づく学習手法を提案する。
論文参考訳（メタデータ） (2022-07-23T10:32:37Z)
Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文参考訳（メタデータ） (2022-05-04T04:23:38Z)
Pathologies of Pre-trained Language Models in Few-shot Fine-tuning [50.3686606679048]
実例が少ない事前学習言語モデルはラベル間に強い予測バイアスを示すことを示す。わずかな微調整で予測バイアスを軽減できるが,本分析では,非タスク関連の特徴を捉えることで,モデルの性能向上を図っている。これらの観察は、より少ない例でモデルのパフォーマンスを追求することは、病理学的予測行動を引き起こす可能性があることを警告する。
論文参考訳（メタデータ） (2022-04-17T15:55:18Z)
Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
論文参考訳（メタデータ） (2022-02-10T18:51:52Z)
Conformal histogram regression [15.153110906331737]
本稿では,スキューデータに自動的に適応可能な非パラメトリック回帰の予測間隔を計算するためのコンフォメーション手法を提案する。ブラックボックス機械学習アルゴリズムを活用して、その出力を近似条件付きの最短予測間隔に変換する。得られた予測間隔は、ブラックボックスモデルが一貫性のある場合、条件付きカバレッジと最適な長さを達成しながら、有限サンプルにおいて確実に限界カバレッジを有する。
論文参考訳（メタデータ） (2021-05-18T18:05:02Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
Explainable boosted linear regression for time series forecasting [0.1876920697241348]
時系列予測では、過去の観測を収集し分析し、将来の観測を外挿するモデルを開発する。時系列予測のための説明可能な強化線形回帰(EBLR)アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-09-18T22:31:42Z)
SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。