論文の概要: Distributionally Robust Performative Prediction

• arxiv url: http://arxiv.org/abs/2412.04346v2
• Date: Fri, 07 Feb 2025 20:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:27:02.743857
• Title: Distributionally Robust Performative Prediction
• Title（参考訳）: 分布ロバストな変形予測
• Authors: Songkai Xue, Yuekai Sun,
• Abstract要約: 我々は、分布的に頑健な演奏予測の新しい枠組みを導入し、分布的に頑健な演奏最適化(O)と呼ばれる新しいソリューション概念を研究する。 我々はDRPOが実数と異なるときの真のPOに対する頑健な近似として証明可能な保証を示す。 結果は,分布マップがミクロレベルでもマクロレベルでも誤特定されている場合,DRPOは従来のPOアプローチよりも潜在的に有利であることを示した。
• 参考スコア（独自算出の注目度）: 25.580721293862467
• License:
• Abstract: Performative prediction aims to model scenarios where predictive outcomes subsequently influence the very systems they target. The pursuit of a performative optimum (PO) -- minimizing performative risk -- is generally reliant on modeling of the distribution map, which characterizes how a deployed ML model alters the data distribution. Unfortunately, inevitable misspecification of the distribution map can lead to a poor approximation of the true PO. To address this issue, we introduce a novel framework of distributionally robust performative prediction and study a new solution concept termed as distributionally robust performative optimum (DRPO). We show provable guarantees for DRPO as a robust approximation to the true PO when the nominal distribution map is different from the actual one. Moreover, distributionally robust performative prediction can be reformulated as an augmented performative prediction problem, enabling efficient optimization. The experimental results demonstrate that DRPO offers potential advantages over traditional PO approach when the distribution map is misspecified at either micro- or macro-level.
• Abstract（参考訳）: パフォーマンス予測は、予測結果が次にターゲットとするシステムに影響を与えるシナリオをモデル化することを目的としている。 パフォーマンス最適化(PO)の追求 -- パフォーマンスリスクの最小化 -- は、一般的に、デプロイされたMLモデルがデータ分散をどのように変更するかを特徴付ける分散マップのモデリングに依存します。 残念ながら、分布写像の必然的不特定性は、真の PO の近似に悪影響を及ぼす可能性がある。 この問題に対処するために、分布的に堅牢な性能予測の新しい枠組みを導入し、分布的に堅牢な性能最適化(DRPO)と呼ばれる新しいソリューション概念を考察する。 我々はDRPOが実数と異なるときの真のPOに対する頑健な近似として証明可能な保証を示す。 さらに、分散的に堅牢な性能予測を拡張性能予測問題として再定義し、効率的な最適化を可能にする。 実験の結果,分布マップがミクロレベルでもマクロレベルでも誤特定されている場合,DRPOは従来のPOアプローチよりも潜在的に有利であることが示された。

関連論文リスト

• Robust Conformal Prediction Using Privileged Information [17.886554223172517]
  本研究では,トレーニングデータの破損に対して堅牢な,保証されたカバレッジ率で予測セットを生成する手法を開発した。 我々のアプローチは、i.d仮定の下で有効となる予測セットを構築するための強力なフレームワークである共形予測に基づいている。
  論文  参考訳（メタデータ） (2024-06-08T08:56:47Z)
• 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)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• End-to-End Trajectory Distribution Prediction Based on Occupancy Grid Maps [29.67295706224478]
  本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。 我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。 実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T09:24:32Z)
• 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)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• An Imprecise SHAP as a Tool for Explaining the Class Probability Distributions under Limited Training Data [5.8010446129208155]
  クラス確率分布が不正確で分布の集合で表される場合に、不正確なSHAPを提案する。 不正確なSHAPの背後にある最初のアイデアは、機能の限界貢献を計算するための新しいアプローチである。 第二のアイデアは、間隔値シャプリー値の計算と縮小に対する一般的なアプローチを考える試みである。
  論文  参考訳（メタデータ） (2021-06-16T20:30:26Z)
• Achieving Efficiency in Black Box Simulation of Distribution Tails with Self-structuring Importance Samplers [1.6114012813668934]
  本稿では,線形プログラムや整数線形プログラム,ピースワイド線形・二次目的,ディープニューラルネットワークで指定された特徴マップなど,多種多様なツールでモデル化されたパフォーマンス指標の分布を推定する,新しいImportance Smpling(IS)方式を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:37:22Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
  確率分布が未知な分布の不確実性の下でBQOについて検討する。 標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。 この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
  論文  参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。