論文の概要: Confidence Estimation via Sequential Likelihood Mixing

• arxiv url: http://arxiv.org/abs/2502.14689v1
• Date: Thu, 20 Feb 2025 16:16:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:29:33.181371
• Title: Confidence Estimation via Sequential Likelihood Mixing
• Title（参考訳）: 逐次様相混合による信頼度推定
• Authors: Johannes Kirschner, Andreas Krause, Michele Meziu, Mojmir Mutny,
• Abstract要約: 逐次近似混合に基づく信頼セット構築のための普遍的枠組みを提案する。 オンライン推定による逐次混合,ベイズ推定,後悔の不平等の基本的な関係を確立する。 古典的な設定に対して、より厳密な信頼シーケンスを導出することで、フレームワークのパワーを説明する。
• 参考スコア（独自算出の注目度）: 46.69347918899963
• License:
• Abstract: We present a universal framework for constructing confidence sets based on sequential likelihood mixing. Building upon classical results from sequential analysis, we provide a unifying perspective on several recent lines of work, and establish fundamental connections between sequential mixing, Bayesian inference and regret inequalities from online estimation. The framework applies to any realizable family of likelihood functions and allows for non-i.i.d. data and anytime validity. Moreover, the framework seamlessly integrates standard approximate inference techniques, such as variational inference and sampling-based methods, and extends to misspecified model classes, while preserving provable coverage guarantees. We illustrate the power of the framework by deriving tighter confidence sequences for classical settings, including sequential linear regression and sparse estimation, with simplified proofs.
• Abstract（参考訳）: 逐次近似混合に基づく信頼セット構築のための普遍的枠組みを提案する。 シーケンシャル分析による古典的な結果に基づいて、最近の研究の行を統一し、シーケンシャルな混合、ベイズ的推論、オンライン推定による後悔の不平等の基本的な関係を確立する。 このフレームワークは任意の実現可能な可能性関数の族に適用され、非i.d.データと任意の有効性を可能にする。 さらに、このフレームワークは、変分推論やサンプリングベースのメソッドなどの標準的な近似推論技術をシームレスに統合し、証明可能なカバレッジ保証を維持しながら、不特定モデルクラスに拡張する。 本稿では,古典的環境における線形回帰とスパース推定を含むより厳密な信頼シーケンスを簡易な証明で導出することにより,フレームワークのパワーを説明する。

関連論文リスト

• A new and flexible class of sharp asymptotic time-uniform confidence sequences [0.0]
  古典統計学のように、信頼性シーケンスは高レベルの仮定カバレッジが達成されることを示す非パラメトリックツールである。 軽度の仮定の下で、鋭い時間一様信頼系列を生成する新しいフレキシブルな信頼系列のクラスを提案する。
  論文  参考訳（メタデータ） (2025-02-14T18:57:16Z)
• Federated Generalised Variational Inference: A Robust Probabilistic Federated Learning Framework [12.454538785810259]
  FedGVIは確率的フェデレートラーニング(FL)フレームワークで、事前およびおそらく誤特定に対して確実に堅牢である。 固定点収束、空洞分布の最適性、証明可能なロバスト性の観点から理論的解析を行う。
  論文  参考訳（メタデータ） (2025-02-02T16:39:37Z)
• 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)
• From Conformal Predictions to Confidence Regions [1.4272411349249627]
  モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。 本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。 本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
  論文  参考訳（メタデータ） (2024-05-28T21:33:12Z)
• Finite Sample Confidence Regions for Linear Regression Parameters Using Arbitrary Predictors [1.6860963320038902]
  線形モデルのパラメータに対する信頼領域を構築するための新しい手法を任意の予測器からの予測を用いて検討する。 導出された信頼領域は、混合線形プログラミングフレームワーク内の制約としてキャストすることができ、線形目的の最適化を可能にする。 従来の手法とは異なり、信頼領域は空であり、仮説テストに使用できる。
  論文  参考訳（メタデータ） (2024-01-27T00:15:48Z)
• 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)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
  強化学習における高信頼行動非依存のオフ政治評価について検討する。 様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
  論文  参考訳（メタデータ） (2020-10-22T12:39:11Z)

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。