論文の概要: Optimal Transport-based Conformal Prediction
- arxiv url: http://arxiv.org/abs/2501.18991v1
- Date: Fri, 31 Jan 2025 09:48:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-03 14:03:30.631621
- Title: Optimal Transport-based Conformal Prediction
- Title(参考訳): 最適輸送に基づくコンフォーマル予測
- Authors: Gauthier Thurin, Kimia Nadjahi, Claire Boyer,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 8.302146576157497
- License:
- Abstract: Conformal Prediction (CP) is a principled framework for quantifying uncertainty in blackbox learning models, by constructing prediction sets with finite-sample coverage guarantees. Traditional approaches rely on scalar nonconformity scores, which fail to fully exploit the geometric structure of multivariate outputs, such as in multi-output regression or multiclass classification. Recent methods addressing this limitation impose predefined convex shapes for the prediction sets, potentially misaligning with the intrinsic data geometry. We introduce a novel CP procedure handling multivariate score functions through the lens of optimal transport. Specifically, we leverage Monge-Kantorovich vector ranks and quantiles to construct prediction region with flexible, potentially non-convex shapes, better suited to the complex uncertainty patterns encountered in multivariate learning tasks. We prove that our approach ensures finite-sample, distribution-free coverage properties, similar to typical CP methods. We then adapt our method for multi-output regression and multiclass classification, and also propose simple adjustments to generate adaptive prediction regions with asymptotic conditional coverage guarantees. Finally, we evaluate our method on practical regression and classification problems, illustrating its advantages in terms of (conditional) coverage and efficiency.
- Abstract(参考訳): Conformal Prediction (CP) は、有限サンプルカバレッジ保証付き予測セットを構築することにより、ブラックボックス学習モデルの不確実性を定量化するための原則化されたフレームワークである。
従来のアプローチはスカラーな非整合性スコアに依存しており、マルチアウトプット回帰やマルチクラス分類のような多変量出力の幾何学的構造を完全に活用できない。
この制限に対処する最近の手法は、予測セットに対して予め定義された凸形状を課し、本質的なデータ幾何と間違える可能性がある。
最適搬送レンズによる多変量スコア関数を扱う新しいCPプロシージャを提案する。
具体的には,モンゲ・カントロヴィチベクトルランクと量子関数を用いて,多変量学習タスクで発生する複雑な不確実性パターンによく適合する,柔軟な非凸形状の予測領域を構築する。
提案手法は, 典型的なCP法と同様に, 有限サンプル, 分布自由被覆特性を保証する。
次に,本手法を多出力回帰および多クラス分類に適用し,漸近的条件付きカバレッジ保証付き適応予測領域を生成するための簡単な調整を提案する。
最後に,本手法の有効性を (条件付き) カバレッジと効率の観点から評価し, 実用的回帰問題と分類問題について検討した。
関連論文リスト
- Epistemic Uncertainty in Conformal Scores: A Unified Approach [2.449909275410288]
等角予測法は、分布のない保証を持つ予測帯域を生成するが、不確実性を明示的に捉えることはできない。
モデルに依存しないアプローチである $texttEPICSCORE$ を導入する。
$texttEPICSCORE$は、限られたデータを持つ領域の予測間隔を適応的に拡張し、データが豊富であるコンパクト間隔を維持します。
論文 参考訳(メタデータ) (2025-02-10T19:42:54Z) - Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [56.92178753201331]
平均逆無限水平POMDPを未知の遷移モデルで扱う。
この障壁を克服する斬新でシンプルな推定器を提示する。
論文 参考訳(メタデータ) (2025-01-30T22:29:41Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳(メタデータ) (2024-07-01T20:44:48Z) - Conformal Prediction for Ensembles: Improving Efficiency via Score-Based Aggregation [18.928543069018865]
等角予測は分布仮定を避ける一つの方法である。
しかし、予測領域をマージすることで、コンフォメーションスコアに存在する構造が犠牲になり、保守性はさらに低下する。
そこで本研究では,新しいフレームワークを分類と予測列最適化の両方で効果的に活用できることを述べる。
論文 参考訳(メタデータ) (2024-05-25T14:11:01Z) - Distribution-free Conformal Prediction for Ordinal Classification [0.0]
正規分類は、対象変数がクラスラベル間で自然な順序付けを持つ実アプリケーションで一般的である。
連続的および非連続的な予測セットを構築するための新しい共形予測手法を開発した。
論文 参考訳(メタデータ) (2024-04-25T13:49:59Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳(メタデータ) (2022-02-22T18:37:23Z) - Universal Prediction Band via Semi-Definite Programming [4.401255328572734]
不確実性定量化のための非パラメトリックヘテロスケダスティック予測バンドを構築する方法を提案する。
データ適応予測帯域は、最小分布仮定で普遍的に適用できる。
論文 参考訳(メタデータ) (2021-03-31T16:30:58Z) - Amortized Conditional Normalized Maximum Likelihood: Reliable Out of
Distribution Uncertainty Estimation [99.92568326314667]
本研究では,不確実性推定のための拡張性のある汎用的アプローチとして,償却条件正規化最大値(ACNML)法を提案する。
提案アルゴリズムは条件付き正規化最大度(CNML)符号化方式に基づいており、最小記述長の原理に従って最小値の最適特性を持つ。
我々は、ACNMLが、分布外入力のキャリブレーションの観点から、不確実性推定のための多くの手法と好意的に比較することを示した。
論文 参考訳(メタデータ) (2020-11-05T08:04:34Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳(メタデータ) (2020-10-15T16:14:27Z)
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。