論文の概要: Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict
- arxiv url: http://arxiv.org/abs/2410.14507v1
- Date: Fri, 18 Oct 2024 14:41:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-21 14:24:59.421205
- Title: Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict
- Title（参考訳）: 武装紛争による死者の両観的コンフォーマル予測
- Authors: David Randahl, Jonathan P. Williams, Håvard Hegre,
- Abstract要約: 両条件共形予測(bin-conditional conformal prediction)と呼ぶ共形予測アルゴリズムを新たに導入する。
この手法により,任意の予測モデルに対して,個々のレベルの予測間隔を得ることができる。
両条件共形予測アルゴリズムを用いて、武装紛争による死亡率の予測を行う。
- 参考スコア（独自算出の注目度）: 0.5312303275762104
- License:
- Abstract: Forecasting of armed conflicts is an important area of research that has the potential to save lives and prevent suffering. However, most existing forecasting models provide only point predictions without any individual-level uncertainty estimates. In this paper, we introduce a novel extension to conformal prediction algorithm which we call bin-conditional conformal prediction. This method allows users to obtain individual-level prediction intervals for any arbitrary prediction model while maintaining a specific level of coverage across user-defined ranges of values. We apply the bin-conditional conformal prediction algorithm to forecast fatalities from armed conflict. Our results demonstrate that the method provides well-calibrated uncertainty estimates for the predicted number of fatalities. Compared to standard conformal prediction, the bin-conditional method outperforms offers improved calibration of coverage rates across different values of the outcome, but at the cost of wider prediction intervals.
- Abstract（参考訳）: 武装紛争の予測は、生命を救い、苦しみを防ぐ可能性を持つ研究の重要な領域である。
しかし、既存の予測モデルのほとんどは、個々のレベルの不確実性推定を含まない点予測のみを提供する。
本稿では,2条件共形予測と呼ばれる共形予測アルゴリズムの新たな拡張を提案する。
この方法では、任意の予測モデルに対して、ユーザが定義した範囲の値に対して、特定のレベルのカバレッジを維持しながら、個々のレベルの予測間隔を得ることができる。
両条件共形予測アルゴリズムを用いて、武装紛争による死亡率の予測を行う。
以上の結果から, 本手法は推定死亡数に対する不確実性評価を良好に評価できることが示唆された。
標準共形予測と比較して、ビン条件法は、結果の異なる値間でのカバレッジ率のキャリブレーションの改善を提供するが、より広い予測間隔のコストがかかる。
関連論文リスト
- Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。
本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-01-17T12:01:56Z) - Conformal Prediction Sets Can Cause Disparate Impact [4.61590049339329]
予測セットの提供は、決定に異なる影響を与える可能性があることを示す。
我々は,異なる影響を経験的に減少させるグループ間でセットサイズを等化することを提案する。
論文 参考訳（メタデータ） (2024-10-02T18:00:01Z) - Efficient Normalized Conformal Prediction and Uncertainty Quantification
for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests [0.0]
予測間隔で機械学習モデルをペアリングするための有望な方法として、コンフォーマル予測が登場した。
本研究では,深部回帰林から得られた分散度を算出し,各試料の不確かさを推定する手法を提案する。
論文 参考訳（メタデータ） (2024-02-21T19:09:53Z) - Post-selection Inference for Conformal Prediction: Trading off Coverage
for Precision [0.0]
伝統的に、共形予測推論はデータに依存しない発見レベルの仕様を必要とする。
我々は,データ依存的誤発見レベルを考慮した同時共形推論を開発する。
論文 参考訳（メタデータ） (2023-04-12T20:56:43Z) - Distribution-Free Finite-Sample Guarantees and Split Conformal
Prediction [0.0]
分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。
1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
論文 参考訳（メタデータ） (2022-10-26T14:12:24Z) - 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) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - 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) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳（メタデータ） (2021-02-11T18:59:11Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。