論文の概要: Conformal Prediction Regions are Imprecise Highest Density Regions
- arxiv url: http://arxiv.org/abs/2502.06331v1
- Date: Mon, 10 Feb 2025 10:31:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:33:57.833726
- Title: Conformal Prediction Regions are Imprecise Highest Density Regions
- Title(参考訳): 等角予測領域は不正確な高密度領域である
- Authors: Michele Caprio, Yusuf Sale, Eyke Hüllermeier,
- Abstract要約: クレダル集合に付随する不正確な高密度領域(Imprecise Highest Density Region)は,古典的等角予測領域に対応することを示す。
その結果,コンフォーマル予測と不正確(IP)理論の関連性を確立した。
- 参考スコア(独自算出の注目度): 19.221081896134567
- License:
- Abstract: Recently, Cella and Martin proved how, under an assumption called consonance, a credal set (i.e. a closed and convex set of probabilities) can be derived from the conformal transducer associated with transductive conformal prediction. We show that the Imprecise Highest Density Region (IHDR) associated with such a credal set corresponds to the classical Conformal Prediction Region. In proving this result, we relate the set of probability density/mass functions (pdf/pmf's) associated with the elements of the credal set to the imprecise probabilistic concept of a cloud. As a result, we establish new relationships between Conformal Prediction and Imprecise Probability (IP) theories. A byproduct of our presentation is the discovery that consonant plausibility functions are monoid homomorphisms, a new algebraic property of an IP tool.
- Abstract(参考訳): 近年、チェラとマーティンは、子音と呼ばれる仮定の下で、不規則集合(すなわち、閉かつ凸な確率の集合)が、帰納的共形予測に付随する共形変換子から導出されることを証明した。
このようなクレダル集合に付随する不正確な高密度領域(IHDR)が,古典的等角予測領域に対応することを示す。
この結果の証明において、クレダル集合の要素と関連する確率密度/質量関数(pdf/pmf's)の集合を、不正確な雲の確率論的概念に関連付ける。
その結果、コンフォーマル予測と不正確確率(IP)理論の新たな関係を確立した。
我々のプレゼンテーションの副産物は、子音可塑性関数がIPツールの新しい代数的性質であるモノイド準同型であることの発見である。
関連論文リスト
- Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。
本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
論文 参考訳(メタデータ) (2025-01-17T12:01:56Z) - Statistical Convergence Rates of Optimal Transport Map Estimation between General Distributions [8.326725299573754]
本研究の目的は,OTマップ推定の範囲を広げ,理論と実践のギャップを埋めることである。
本稿では,Brenierのポテンシャルに対する強い凸性仮定を伴わずに,Sieveプラグイン推定器を導入し,収束率を確立する。
また,ニューラルネットワークを用いたOTマップ推定を効率的に解くために,スケーラブルなアルゴリズムを開発した。
論文 参考訳(メタデータ) (2024-12-11T03:18:17Z) - Conformalized Credal Regions for Classification with Ambiguous Ground Truth [37.03352666927449]
分類問題において、クレダル領域は現実的な仮定の下で証明可能な保証を提供することができるツールである。
そこで本研究では, コンフォメーション法により, 干潟域を直接構築できることを示す。
合成データと実データの両方について実験により検証した。
論文 参考訳(メタデータ) (2024-11-07T16:39:29Z) - Conformalized Credal Set Predictors [12.549746646074071]
クレダル集合(英: Credal set)は、不正確な基底-真実分布の候補と見なされる確率分布の集合である。
我々は,干潟集合予測器の学習に共形予測を利用する。
提案手法の自然言語推論への適用性を実証する。
論文 参考訳(メタデータ) (2024-02-16T14:30:12Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳(メタデータ) (2023-09-29T09:41:19Z) - Federated Conformal Predictors for Distributed Uncertainty
Quantification [83.50609351513886]
コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。
本稿では,共形予測を連邦学習環境に拡張する。
本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
論文 参考訳(メタデータ) (2023-05-27T19:57:27Z) - 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) - Checking Trustworthiness of Probabilistic Computations in a Typed Natural Deduction System [0.0]
TPTNDの導出性は、与えられたカテゴリー分布から特定の周波数で$n$サンプルを抽出する過程として解釈される。
本稿では,TPTND のセマンティクスを解析し,そのセマンティクスについて述べる。
構造的・メタセオレティックな性質を概説し、特に「進化」と「論理的規則」をどの用語で表すかを確立する能力に焦点をあてる。
論文 参考訳(メタデータ) (2022-06-26T17:55:32Z) - Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。
効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
論文 参考訳(メタデータ) (2022-06-14T03:58:03Z) - 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) - Validity, consonant plausibility measures, and conformal prediction [7.563864405505623]
本稿では,他の予測関連タスクに関連する2型妥当性という新しい概念を提案する。
本研究では、共形予測出力を子音可聴性尺度の輪郭関数として解釈することにより、どちらの種類の予測精度も達成可能であることを示す。
論文 参考訳(メタデータ) (2020-01-24T23:24:15Z)
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。