論文の概要: Multi-Output Conformal Regression: A Unified Comparative Study with New Conformity Scores

• arxiv url: http://arxiv.org/abs/2501.10533v1
• Date: Fri, 17 Jan 2025 20:13:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-22 14:25:32.262867
• Title: Multi-Output Conformal Regression: A Unified Comparative Study with New Conformity Scores
• Title（参考訳）: 多出力コンフォーマル回帰:新しいコンフォーマルスコアとの比較検討
• Authors: Victor Dheur, Matteo Fontana, Yorick Estievenart, Naomi Desobry, Souhaib Ben Taieb,
• Abstract要約: 等角予測は、有限サンプルカバレッジ保証付き分布自由予測領域を生成するためのフレームワークを提供する。 条件付きカバレッジを実現するための適合度スコアのクラスを2つ導入する: 1つは任意の生成モデルと互換性があり、もう1つは可逆生成モデルを利用して計算コストを低くする。 すべてのメソッドは統一されたコードベース内で実装され、公正で一貫した比較が保証されます。
• 参考スコア（独自算出の注目度）: 1.747623282473278
• License:
• Abstract: Quantifying uncertainty in multivariate regression is essential in many real-world applications, yet existing methods for constructing prediction regions often face limitations such as the inability to capture complex dependencies, lack of coverage guarantees, or high computational cost. Conformal prediction provides a robust framework for producing distribution-free prediction regions with finite-sample coverage guarantees. In this work, we present a unified comparative study of multi-output conformal methods, exploring their properties and interconnections. Based on our findings, we introduce two classes of conformity scores that achieve asymptotic conditional coverage: one is compatible with any generative model, and the other offers low computational cost by leveraging invertible generative models. Finally, we conduct a comprehensive empirical study across 32 tabular datasets to compare all the multi-output conformal methods considered in this work. All methods are implemented within a unified code base to ensure a fair and consistent comparison.
• Abstract（参考訳）: 多変量回帰の不確かさの定量化は多くの実世界のアプリケーションでは不可欠であるが、予測領域を構築する既存の方法は、複雑な依存関係をキャプチャできないこと、カバレッジ保証の欠如、高い計算コストといった制限に直面していることが多い。 等角予測は、有限サンプルカバレッジ保証付き分布自由予測領域を生成するための堅牢なフレームワークを提供する。 本研究では,多出力共形法の統一的な比較研究を行い,その特性と相互接続について検討する。 そこで本研究では,どの生成モデルとも互換性があり,一方は可逆生成モデルを利用して計算コストを低く抑えるという,漸近的条件付きカバレッジを実現するための適合度スコアを2種類導入した。 最後に,32個の表付きデータセットを対象とした総合的な実証的研究を行い,本研究で検討した多出力共形法について比較する。 すべてのメソッドは統一されたコードベース内で実装され、公正で一貫した比較が保証されます。

関連論文リスト

• Optimal Transport-based Conformal Prediction [8.302146576157497]
  コンフォーマル予測(CP)は、ブラックボックス学習モデルにおける不確実性のための原則化されたフレームワークである。 レンズを通して予測スコア関数を処理する新しいCPプロシージャを提案する。 次に,マルチ出力回帰とマルチクラス分類の定量化に本手法を適用した。
  論文  参考訳（メタデータ） (2025-01-31T09:48:28Z)
• Error Diversity Matters: An Error-Resistant Ensemble Method for Unsupervised Dependency Parsing [49.60415088899208]
  本稿では,誤りの多様性を考慮し,誤りの蓄積を回避できる効率的なアンサンブル選択手法を提案する。 提案手法は,従来のアンサンブル手法と同様に個々のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-12-16T08:23:50Z)
• A Unified Combination Framework for Dependent Tests with Applications to Microbiome Association Studies [12.579558827555273]
  一般的な条件下で依存テストを組み合わせるための新しいメタ分析フレームワークを提案する。 同じデータセットから計算した各種微生物関連試験の合成に利用した。
  論文  参考訳（メタデータ） (2024-04-14T20:33:39Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Mutual Exclusivity Training and Primitive Augmentation to Induce Compositionality [84.94877848357896]
  最近のデータセットは、標準的なシーケンス・ツー・シーケンスモデルにおける体系的な一般化能力の欠如を露呈している。 本稿では,セq2seqモデルの振る舞いを分析し,相互排他バイアスの欠如と全例を記憶する傾向の2つの要因を同定する。 広範に使用されている2つの構成性データセット上で、標準的なシーケンス・ツー・シーケンスモデルを用いて、経験的改善を示す。
  論文  参考訳（メタデータ） (2022-11-28T17:36:41Z)
• Statistical Comparisons of Classifiers by Generalized Stochastic Dominance [0.0]
  いくつかの基準に関して、分類器を複数のデータセットで比較する方法については、まだ合意が得られていない。 本稿では, 意思決定理論の最近の展開を取り入れた, 鮮明な議論に新たな視点を加える。 我々のフレームワークは、支配という一般化された概念によって分類器をランク付けし、それは煩雑なものを強力に回避し、しばしば自己矛盾的であり、集約に依存していることを示している。
  論文  参考訳（メタデータ） (2022-09-05T09:28:15Z)
• Consensual Aggregation on Random Projected High-dimensional Features for Regression [0.0]
  本稿では,ランダムに投影された回帰予測の高次元的特徴に対するカーネルベースの合意アグリゲーションについて検討する。 集約方式は, 非常に大きく, 高い相関性を持つ特徴に対して, その性能を保っていることを数値的に説明する。 提案手法の効率性は,様々な種類の合成データセットと実データセットで評価されたいくつかの実験を通して説明される。
  論文  参考訳（メタデータ） (2022-04-06T06:35:47Z)
• A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
  バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。 ブレグマン最小化の発散の観点から一般的な枠組みを開発する。 我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
  論文  参考訳（メタデータ） (2021-12-07T01:23:20Z)
• Optimal Ensemble Construction for Multi-Study Prediction with Applications to COVID-19 Excess Mortality Estimation [7.02598981483736]
  マルチスタディ・アンサンブルは、研究固有のモデルに適合し、アンサンブル重みを別々に推定する2段階戦略を用いる。 このアプローチは、モデル適合段階でのアンサンブル特性を無視し、効率を損なう可能性がある。 パンデミックの開始前にはほとんどデータが入手できない場合、他の国のデータを活用することで、予測精度が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-09-19T16:52:41Z)
• Trusted Multi-View Classification [76.73585034192894]
  本稿では,信頼された多視点分類と呼ばれる新しい多視点分類手法を提案する。 さまざまなビューをエビデンスレベルで動的に統合することで、マルチビュー学習のための新しいパラダイムを提供する。 提案アルゴリズムは,分類信頼性とロバスト性の両方を促進するために,複数のビューを併用する。
  論文  参考訳（メタデータ） (2021-02-03T13:30:26Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)

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。