論文の概要: Conformal Prediction for Hierarchical Data

• arxiv url: http://arxiv.org/abs/2411.13479v2
• Date: Mon, 03 Feb 2025 13:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-04 16:06:07.756050
• Title: Conformal Prediction for Hierarchical Data
• Title（参考訳）: 階層データの等角予測
• Authors: Guillaume Principato, Gilles Stoltz, Yvenn Amara-Ouali, Yannig Goude, Bachir Hamrouche, Jean-Michel Poggi,
• Abstract要約: 点推定誤差の経験的量に基づく予測領域を出力する多変量データ列の共形予測について考察する。 直感的には、階層構造は、所定のカバレッジレベルに対するそれらのサイズの観点から予測領域を改善するために利用することができる。 この直観は分割共形予測手順にプロジェクションステップを組み込むことで実現し、その結果の予測領域がプロジェクションステップなしでは世界規模で小さいことを証明する。
• 参考スコア（独自算出の注目度）: 5.580128181112309
• License:
• Abstract: We consider conformal prediction of multivariate data series, which consists of outputting prediction regions based on empirical quantiles of point-estimate errors. We actually consider hierarchical multivariate data series, for which some components are linear combinations of others. The intuition is that the hierarchical structure may be leveraged to improve the prediction regions in terms of their sizes for given coverage levels. We implement this intuition by including a projection step (also called reconciliation step) in the split conformal prediction [SCP] procedure and prove that the resulting prediction regions are indeed globally smaller than without the projection step. The associated strategies and their analyses rely on the literatures of both SCP and forecast reconciliation. We also illustrate the theoretical findings, both on artificial and on real data.
• Abstract（参考訳）: 点推定誤差の経験的量に基づく予測領域を出力する多変量データ列の共形予測について考察する。 実際に階層的多変量データ列について検討し、いくつかの成分が他の成分の線形結合であることを示す。 直感的には、階層構造は、所定のカバレッジレベルに対するそれらのサイズの観点から予測領域を改善するために利用することができる。 この直観は、分割共形予測(SCP)手順にプロジェクションステップ(和解ステップとも呼ばれる)を組み込むことで実現し、その結果の予測領域がプロジェクションステップなしではるかに小さいことを証明する。 関連する戦略とその分析は、SCPと予測和解の両方の文献に依存している。 また、人工データと実データの両方で理論的な結果を示す。

関連論文リスト

• Multivariate Conformal Prediction using Optimal Transport [19.644272536912286]
  コンフォーマル予測(CP)は、機械学習モデルの不確実性を定量化する。 多次元設定において共形予測集合を構成するための原理的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:56:41Z)
• Ranking and Combining Latent Structured Predictive Scores without Labeled Data [2.5064967708371553]
  本稿では,新しい教師なしアンサンブル学習モデル(SUEL)を提案する。 連続的な予測スコアを持つ予測器のセット間の依存関係を利用して、ラベル付きデータなしで予測器をランク付けし、それらをアンサンブルされたスコアに重み付けする。 提案手法の有効性は、シミュレーション研究とリスク遺伝子発見の現実的応用の両方を通じて厳密に評価されている。
  論文  参考訳（メタデータ） (2024-08-14T20:14:42Z)
• Structured Prediction in Online Learning [66.36004256710824]
  オンライン学習環境における構造化予測のための理論的・アルゴリズム的枠組みについて検討する。 このアルゴリズムは教師付き学習環境からの最適アルゴリズムの一般化であることを示す。 本稿では,非定常データ分布,特に逆データを含む2番目のアルゴリズムについて考察する。
  論文  参考訳（メタデータ） (2024-06-18T07:45:02Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Aggregating distribution forecasts from deep ensembles [0.0]
  本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。 深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
  論文  参考訳（メタデータ） (2022-04-05T15:42:51Z)
• Conformal prediction for time series [16.38369532102931]
  textttEnbPIは、共形予測(CP)と密接に関連しているが、データ交換性を必要としないアンサンブル予測をラップする。 提案手法の有効性を実証するため,広範囲なシミュレーションと実データ解析を行った。
  論文  参考訳（メタデータ） (2020-10-18T21:05:32Z)
• Learning Output Embeddings in Structured Prediction [73.99064151691597]
  構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。 原空間における予測は、前像問題の解法により計算される。 本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2020-07-29T09:32:53Z)
• Hierarchical forecast reconciliation with machine learning [0.34998703934432673]
  本稿では,機械学習に基づく新しい階層的予測手法を提案する。 これは、サンプル後の経験的予測精度とコヒーレンスの改善の目的を構造的に組み合わせている。 本研究では,提案手法が既存手法よりも優れた点予測を与えることを示す。
  論文  参考訳（メタデータ） (2020-06-03T04:49:39Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)

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。