論文の概要: Randomness, exchangeability, and conformal prediction

• arxiv url: http://arxiv.org/abs/2501.11689v3
• Date: Sun, 08 Jun 2025 16:25:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:09.725986
• Title: Randomness, exchangeability, and conformal prediction
• Title（参考訳）: ランダム性、交換可能性、および共形予測
• Authors: Vladimir Vovk,
• Abstract要約: 本稿では、ランダム性の関数理論のより広範な利用を論じる。 IIDデータの仮定は機械学習では標準であるが、共形予測はデータ交換性に依存する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper argues for a wider use of the functional theory of randomness, a modification of the algorithmic theory of randomness getting rid of unspecified additive constants. Both theories are useful for understanding relationships between the assumptions of IID data and data exchangeability. While the assumption of IID data is standard in machine learning, conformal prediction relies on data exchangeability. Nouretdinov, V'yugin, and Gammerman showed, using the language of the algorithmic theory of randomness, that conformal prediction is a universal method under the assumption of IID data. In this paper (written for the Alex Gammerman Festschrift) I will selectively review connections between exchangeability and the property of being IID, early history of conformal prediction, my encounters and collaboration with Alex and other interesting people, and a translation of Nouretdinov et al.'s results into the language of the functional theory of randomness, which moves it closer to practice. Namely, the translation says that every confidence predictor that is valid for IID data can be transformed to a conformal predictor without losing much in predictive efficiency.
• Abstract（参考訳）: 本稿では、不特定加法定数を除いたランダム性のアルゴリズム理論の修正であるランダム性の関数理論のより広範な利用を論じる。 どちらの理論も、IDデータとデータ交換可能性の関係を理解するのに有用である。 IIDデータの仮定は機械学習では標準的なものであるが、共形予測はデータ交換可能性に依存する。 Nouretdinov、V'yugin、Gammermanは、ランダム性のアルゴリズム理論の言語を用いて、共形予測はIDDデータの仮定の下で普遍的な方法であることを示した。 この論文(Alex Gammerman Festschrift のために書かれた)では、交換可能性と IID の性質の関連性、共形予測の初期の歴史、アレックスや他の興味深い人々との出会いとコラボレーション、そしてNouretdinov らによるランダム性関数論の言語への翻訳を選択的にレビューし、それが実践に近づく。 すなわち、IIDデータに有効なすべての信頼予測器は、予測効率を大きく損なうことなく、共形予測器に変換できる。

関連論文リスト

• Enhancing Conformal Prediction Using E-Test Statistics [0.0]
  Conformal Prediction (CP) は、機械学習(ML)モデルによる予測の不確実性を定量化する、堅牢なフレームワークとして機能する。 本稿では, BB予測器の導入により共形予測の有効性を高めるために, e-test 統計の力を活用して, 代替手法を考案する。
  論文  参考訳（メタデータ） (2024-03-28T01:14:25Z)
• Invariant Probabilistic Prediction [45.90606906307022]
  任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
  論文  参考訳（メタデータ） (2023-09-18T18:50:24Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Variational Prediction [95.00085314353436]
  本稿では,変動境界を用いた後部予測分布に対する変動近似の学習手法を提案する。 このアプローチは、テスト時間の限界化コストを伴わずに、優れた予測分布を提供することができる。
  論文  参考訳（メタデータ） (2023-07-14T18:19:31Z)
• Creating Probabilistic Forecasts from Arbitrary Deterministic Forecasts using Conditional Invertible Neural Networks [0.19573380763700712]
  我々は、条件付き可逆ニューラルネットワーク(cINN)を用いて、データの基盤となる分布を学習し、この分布からの不確実性を任意の決定論的予測と組み合わせる。 我々のアプローチは、複雑な統計的損失関数やさらなる仮定を伴わずに、確率的予測を簡単に作成できる。
  論文  参考訳（メタデータ） (2023-02-03T15:11:39Z)
• Looking at the posterior: accuracy and uncertainty of neural-network predictions [0.0]
  予測精度はてんかんとアレタリック不確実性の両方に依存している。 本稿では,共通不確実性に基づく手法よりも優れた新たな獲得関数を提案する。
  論文  参考訳（メタデータ） (2022-11-26T16:13:32Z)
• Adaptive Neural Network Ensemble Using Frequency Distribution [3.42658286826597]
  ニューラルネットワーク(NN)アンサンブルは、NNの大きな予測分散を低減し、予測精度を向上させる。 データセットが不十分な高非線形問題に対して、NNモデルの予測精度は不安定になる。 本研究は,真の予測値付近に集中することが期待されるコア予測値を同定する周波数分布に基づくアンサンブルを提案する。
  論文  参考訳（メタデータ） (2022-10-19T08:05:35Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• 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)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Exchangeability, Conformal Prediction, and Rank Tests [0.0]
  本稿では、交換可能性の概念を概観し、整合性予測とランクテストの意義について論じる。 我々はこれらのトピックについて低レベルの紹介を行い、整合予測とランクテストの類似性について議論する。
  論文  参考訳（メタデータ） (2020-05-13T00:39:45Z)

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。