論文の概要: Theoretical Foundations of Conformal Prediction
- arxiv url: http://arxiv.org/abs/2411.11824v1
- Date: Mon, 18 Nov 2024 18:44:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:27:43.845575
- Title: Theoretical Foundations of Conformal Prediction
- Title（参考訳）: コンフォーマル予測の理論基礎
- Authors: Anastasios N. Angelopoulos, Rina Foygel Barber, Stephen Bates,
- Abstract要約: コンフォーマルな予測と関連する推論技術は、多様なタスクの配列で有用である。
コンフォーマル予測の主な魅力は、正式な有限サンプル保証を提供する能力である。
本書の目的は、共形予測を研究する際に生じる基本的な技術的議論について読者に教えることである。
- 参考スコア（独自算出の注目度）: 15.884682750072399
- License:
- Abstract: This book is about conformal prediction and related inferential techniques that build on permutation tests and exchangeability. These techniques are useful in a diverse array of tasks, including hypothesis testing and providing uncertainty quantification guarantees for machine learning systems. Much of the current interest in conformal prediction is due to its ability to integrate into complex machine learning workflows, solving the problem of forming prediction sets without any assumptions on the form of the data generating distribution. Since contemporary machine learning algorithms have generally proven difficult to analyze directly, conformal prediction's main appeal is its ability to provide formal, finite-sample guarantees when paired with such methods. The goal of this book is to teach the reader about the fundamental technical arguments that arise when researching conformal prediction and related questions in distribution-free inference. Many of these proof strategies, especially the more recent ones, are scattered among research papers, making it difficult for researchers to understand where to look, which results are important, and how exactly the proofs work. We hope to bridge this gap by curating what we believe to be some of the most important results in the literature and presenting their proofs in a unified language, with illustrations, and with an eye towards pedagogy.
- Abstract（参考訳）: この本は、置換テストと交換可能性に基づいて構築される共形予測と関連する推論技術に関するものである。
これらのテクニックは、仮説テストや、機械学習システムに対する不確実な定量化保証の提供など、さまざまなタスクで有用である。
共形予測に対する現在の関心の大部分は、複雑な機械学習ワークフローに統合できることによるものであり、データ生成ディストリビューションの形式で仮定することなく予測セットを形成するという問題を解決している。
現代の機械学習アルゴリズムは一般に直接解析することが困難であることが証明されているため、共形予測の主な魅力は、そのような手法と組み合わせることで、正式な有限サンプル保証を提供する能力である。
本書の目的は, 分布自由推論における共形予測と関連する問題を研究する際に生じる基本的技術的議論について, 読者に教えることである。
これらの証明戦略、特に最近のものの多くは研究論文に散らばっており、どこを見るべきか、どの結果が重要か、どのように動作するのかを研究者が理解することは困難である。
私たちはこのギャップを、文学において最も重要な結果のいくつかをキュレートし、それらの証明を統一された言語で表現し、イラストで表現し、教育に目を向けることで埋めたいと考えています。
関連論文リスト
- Trustworthy Classification through Rank-Based Conformal Prediction Sets [9.559062601251464]
本稿では,分類モデルに適したランクベーススコア関数を用いた新しいコンフォメーション予測手法を提案する。
提案手法は,そのサイズを管理しながら,所望のカバレッジ率を達成する予測セットを構築する。
コントリビューションには、新しい共形予測法、理論的解析、経験的評価が含まれる。
論文 参考訳（メタデータ） (2024-07-05T10:43:41Z) - A comparative study of conformal prediction methods for valid uncertainty quantification in machine learning [0.0]
論文は、誰もが不確実性に気付いていて、それがどれほど重要か、そしてそれを恐れずにそれをどのように受け入れるか、という世界を探求しようとします。
しかし、正確な不確実性推定を誰でも得るための特定のフレームワークが選別され、分析される。
論文 参考訳（メタデータ） (2024-05-03T13:19:33Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T09:41:19Z) - 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) - Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。
これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。
提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
論文 参考訳（メタデータ） (2023-04-14T11:35:35Z) - 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) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳（メタデータ） (2023-01-23T18:59:28Z) - Conformal prediction for the design problem [72.14982816083297]
機械学習の現実的な展開では、次にテストすべきデータを選択するために予測アルゴリズムを使用します。
このような設定では、トレーニングデータとテストデータの間には、異なるタイプの分散シフトがある。
このような環境で予測の不確実性を定量化する手法を提案する。
論文 参考訳（メタデータ） (2022-02-08T02:59:12Z) - Parsimonious Inference [0.0]
parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。
提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
論文 参考訳（メタデータ） (2021-03-03T04:13:14Z) - Universal time-series forecasting with mixture predictors [10.812772606528172]
この本は、逐次確率予測の問題、すなわち、過去から与えられた一連の観測結果の次の結果の確率を予測することに集中している。
主な対象は混合予測器であり、これは他の予測器の有限あるいは無限の集合の組み合わせとして形成される。
結果は、この方法の普遍性を、非常に一般的な確率的設定で示すが、その制限も示している。
論文 参考訳（メタデータ） (2020-10-01T10:56:23Z) - Generating Fact Checking Explanations [52.879658637466605]
まだ欠けているパズルの重要なピースは、プロセスの最も精巧な部分を自動化する方法を理解することです。
本稿では、これらの説明を利用可能なクレームコンテキストに基づいて自動生成する方法について、最初の研究を行う。
この結果から,個別に学習するのではなく,両目標を同時に最適化することで,事実確認システムの性能が向上することが示唆された。
論文 参考訳（メタデータ） (2020-04-13T05:23:25Z)
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。