論文の概要: Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction

• arxiv url: http://arxiv.org/abs/2502.05676v1
• Date: Sat, 08 Feb 2025 19:52:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:34:03.191428
• Title: Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction
• Title（参考訳）: 一般化VennとVenn-Abersの校正と等角予測への応用
• Authors: Lars van der Laan, Ahmed Alaa,
• Abstract要約: 本稿では,Venn and Conditional-Abersキャリブレーションのための統一フレームワークを提案する。 サブポピュレーションにおける有限サンプル校正の新しい手法であるVenn multicalibrationを提案する。 分布自由条件のキャリブレーションによるヒストグラム・バイニングとアイソトニック・キャリブレーションの保証を一般の損失に拡張する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Ensuring model calibration is critical for reliable predictions, yet popular distribution-free methods, such as histogram binning and isotonic regression, provide only asymptotic guarantees. We introduce a unified framework for Venn and Venn-Abers calibration, generalizing Vovk's binary classification approach to arbitrary prediction tasks and loss functions. Venn calibration leverages binning calibrators to construct prediction sets that contain at least one marginally perfectly calibrated point prediction in finite samples, capturing epistemic uncertainty in the calibration process. The width of these sets shrinks asymptotically to zero, converging to a conditionally calibrated point prediction. Furthermore, we propose Venn multicalibration, a novel methodology for finite-sample calibration across subpopulations. For quantile loss, group-conditional and multicalibrated conformal prediction arise as special cases of Venn multicalibration, and Venn calibration produces novel conformal prediction intervals that achieve quantile-conditional coverage. As a separate contribution, we extend distribution-free conditional calibration guarantees of histogram binning and isotonic calibration to general losses.
• Abstract（参考訳）: モデルキャリブレーションの確立は信頼性の高い予測には不可欠であるが、ヒストグラム・バイニングや等調回帰のような分布自由な手法は漸近的保証のみを提供する。 本稿では、VennとVenn-Abersの校正のための統一的なフレームワークを導入し、Vovkのバイナリ分類アプローチを任意の予測タスクと損失関数に一般化する。 ベンキャリブレーション(Venn calibration)は、ビンニングキャリブレータを利用して、有限サンプルにおいて少なくとも1つの辺縁的に完全にキャリブレーションされた点予測を含む予測セットを構築し、キャリブレーション過程におけるエピステミック不確かさを捉える。 これらの集合の幅は漸近的にゼロに縮まり、条件付き校正点予測に収束する。 さらに,サブポピュレーション間の有限サンプル校正手法であるVenn multicalibrationを提案する。 量子損失の場合、Venn多重校正の特別な場合として、グループ条件と多重校正された共形予測が生まれ、Vennキャリブレーションは量子条件のカバレッジを達成するための新しい共形予測区間を生成する。 そこで本研究では,分布自由条件のキャリブレーションによるヒストグラム・バイニングとアイソトニック・キャリブレーションの保証を,一般の損失に拡張する。

関連論文リスト

• Self-Calibrating Conformal Prediction [16.606421967131524]
  本稿では,これらの予測に対して有限サンプル妥当性条件付き予測間隔とともに,校正点予測を実現するための自己校正等式予測を提案する。 本手法は,モデルキャリブレーションによりキャリブレーション間隔効率を向上し,特徴条件の妥当性に対して実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-02-11T21:12:21Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Universal distribution of the empirical coverage in split conformal prediction [2.1756081703276]
  我々は、将来の観測可能量の有限バッチに対して生成された予測集合の経験的カバレッジの正確な分布と、バッチサイズが無限大になるときにそのほぼ確実な限界の正確な分布を決定する。 どちらの分布も普遍的であり、名目上の発見レベルと校正サンプルサイズによってのみ決定される。
  論文  参考訳（メタデータ） (2023-03-05T20:46:01Z)
• Causal isotonic calibration for heterogeneous treatment effects [0.5249805590164901]
  異種治療効果の予測因子を校正する新しい非パラメトリック手法である因果等方性キャリブレーションを提案する。 また、データ効率の良いキャリブレーションの変種であるクロスキャリブレーションを導入し、ホールドアウトキャリブレーションセットの必要性を排除した。
  論文  参考訳（メタデータ） (2023-02-27T18:07:49Z)
• Sharp Calibrated Gaussian Processes [58.94710279601622]
  キャリブレーションされたモデルを設計するための最先端のアプローチは、ガウス過程の後方分散を膨らませることに依存している。 本稿では,バニラガウス過程の後方分散にインスパイアされた計算を用いて,予測量子化を生成するキャリブレーション手法を提案する。 我々のアプローチは合理的な仮定の下で校正されたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-02-23T12:17:36Z)
• Parametric and Multivariate Uncertainty Calibration for Regression and Object Detection [4.630093015127541]
  一般的な検出モデルでは,観測誤差と比較して空間的不確かさが過大評価されている。 実験の結果, 簡便な等速回帰補正法は, 良好な校正不確実性を実現するのに十分であることがわかった。 対照的に、後続のプロセスに正規分布が必要な場合、GP-Normal再校正法が最良の結果をもたらす。
  論文  参考訳（メタデータ） (2022-07-04T08:00:20Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)

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。