論文の概要: Understanding Fixed Predictions via Confined Regions

• arxiv url: http://arxiv.org/abs/2502.16380v2
• Date: Tue, 08 Jul 2025 23:09:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 15:30:52.068727
• Title: Understanding Fixed Predictions via Confined Regions
• Title（参考訳）: 固定領域による固定予測の理解
• Authors: Connor Lawless, Tsui-Wei Weng, Berk Ustun, Madeleine Udell,
• Abstract要約: 機械学習モデルは、個人が結果を変えるのを防ぐ固定された予測を割り当てることができる。 固定予測を監査するための既存のアプローチは、既存の個人データセットへのアクセスを必要とするポイントワイズベースで実施されている。 本研究は,全ての個人が固定予測を受ける特徴空間の限られた領域を見つけることによって,固定予測を識別する新しいパラダイムを提案する。
• 参考スコア（独自算出の注目度）: 30.421105594069676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models can assign fixed predictions that preclude individuals from changing their outcome. Existing approaches to audit fixed predictions do so on a pointwise basis, which requires access to an existing dataset of individuals and may fail to anticipate fixed predictions in out-of-sample data. This work presents a new paradigm to identify fixed predictions by finding confined regions of the feature space in which all individuals receive fixed predictions. This paradigm enables the certification of recourse for out-of-sample data, works in settings without representative datasets, and provides interpretable descriptions of individuals with fixed predictions. We develop a fast method to discover confined regions for linear classifiers using mixed-integer quadratically constrained programming. We conduct a comprehensive empirical study of confined regions across diverse applications. Our results highlight that existing pointwise verification methods fail to anticipate future individuals with fixed predictions, while our method both identifies them and provides an interpretable description.
• Abstract（参考訳）: 機械学習モデルは、個人が結果を変えるのを防ぐ固定された予測を割り当てることができる。 固定予測を監査するための既存のアプローチは、ポイントワイズベースで実施されており、既存の個人データセットへのアクセスが必要であり、サンプル外のデータで固定予測を予測できない可能性がある。 本研究は,全ての個人が固定予測を受ける特徴空間の限られた領域を見つけることによって,固定予測を識別する新しいパラダイムを提案する。 このパラダイムは、サンプル外データのリコースの認証を可能にし、代表的データセットなしで設定で機能し、固定された予測で個人の解釈可能な記述を提供する。 混合整数2次制約型プログラミングを用いて線形分類器の閉領域を高速に検出する手法を開発した。 我々は、様々な用途にまたがる制限された地域に関する総合的な実証的研究を行う。 以上の結果から,既存のポイントワイド検証手法は,予測値の固定化に失敗するが,本手法は両者を識別し,解釈可能な記述を提供する。

関連論文リスト

• Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
  本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。 回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。 提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
  論文  参考訳（メタデータ） (2024-02-12T01:17:09Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Multi-Modal Conformal Prediction Regions with Simple Structures by Optimizing Convex Shape Templates [19.504348671777006]
  コンフォーマル予測は、高い確率で有効な機械学習モデルの予測領域を生成する統計ツールである。 共形予測アルゴリズムの重要な構成要素は、モデルの予測が未知の基底真理値とどのように異なるかを定量化するエンフノン整合スコア関数である。 キャリブレーションデータよりもパラメータ化されたエンフシェープテンプレート関数を最適化し,最小体積の予測領域を生成する非整合スコア関数を提案する。
  論文  参考訳（メタデータ） (2023-12-12T17:00:13Z)
• Shape Completion with Prediction of Uncertain Regions [4.689234879218989]
  特に、曖昧な対象ビューが与えられたとき、対象部分全体の存在について、拡張された領域に既約不確実性が存在する可能性がある。 本研究では,局所的な空間占有率を予測する手法の任意の拡張法として,そのような不確実な領域を予測するための2つの新しい手法を提案する。 我々は、このデータセットをトレーニングし、既知の、新しいオブジェクトインスタンスに対する不確実な領域の形状の完了と予測において、各メソッドをテストする。
  論文  参考訳（メタデータ） (2023-08-01T08:40:40Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。