論文の概要: Mirror Online Conformal Prediction with Intermittent Feedback

• arxiv url: http://arxiv.org/abs/2503.10345v1
• Date: Thu, 13 Mar 2025 13:23:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:51:00.286573
• Title: Mirror Online Conformal Prediction with Intermittent Feedback
• Title（参考訳）: 間欠フィードバックを用いたミラーオンラインコンフォーマル予測
• Authors: Bowen Wang, Matteo Zecchin, Osvaldo Simeone,
• Abstract要約: 本研究は、新しいランタイムキャリブレーションフレームワークであるIM-OCP(Intermittent mirror online conformal prediction)を導入する。 IM-OCPは、メモリの複雑さを最小限に抑えたクローズドフォーム更新を備えており、潜在的に断続的なフィードバックの下で動作するよう設計されている。
• 参考スコア（独自算出の注目度）: 36.62015212865299
• License:
• Abstract: Online conformal prediction enables the runtime calibration of a pre-trained artificial intelligence model using feedback on its performance. Calibration is achieved through set predictions that are updated via online rules so as to ensure long-term coverage guarantees. While recent research has demonstrated the benefits of incorporating prior knowledge into the calibration process, this has come at the cost of replacing coverage guarantees with less tangible regret guarantees based on the quantile loss. This work introduces intermittent mirror online conformal prediction (IM-OCP), a novel runtime calibration framework that integrates prior knowledge, while maintaining long-term coverage and achieving sub-linear regret. IM-OCP features closed-form updates with minimal memory complexity, and is designed to operate under potentially intermittent feedback.
• Abstract（参考訳）: オンラインコンフォーマル予測は、その性能に対するフィードバックを使用して、事前訓練された人工知能モデルの実行時校正を可能にする。 キャリブレーションは、長期カバレッジ保証を保証するために、オンラインルールによって更新されるセット予測によって達成される。 近年の研究では、事前知識を校正プロセスに組み込むことの利点が実証されているが、これは量的損失に基づく明確な後悔の保証を伴わないカバレッジ保証を置き換えるというコストが伴っている。 本研究は, 長期的カバレッジを維持し, サブ線形後悔を達成しつつ, 事前知識を統合した新たなランタイムキャリブレーションフレームワークであるIM-OCP(Intermittent mirror online conformal prediction)を導入する。 IM-OCPは、メモリの複雑さを最小限に抑えたクローズドフォーム更新を備えており、潜在的に断続的なフィードバックの下で動作するよう設計されている。

関連論文リスト

• Uncertainty-Aware Online Extrinsic Calibration: A Conformal Prediction Approach [4.683612295430957]
  我々はモンテカルロ・ドロップアウトとコンフォーマル予測を組み合わせた不確実性認識をオンラインキャリブレーションに統合する最初のアプローチを提案する。 本研究では,様々な視覚センサの種類にまたがって有効性を示し,測定値を用いて測定を行い,間隔の効率と信頼性を評価する。 動的環境におけるセンサ融合の堅牢性を大幅に向上させることができるキャリブレーション推定の信頼性に関する知見を提供する。
  論文  参考訳（メタデータ） (2025-01-12T17:24:51Z)
• Online scalable Gaussian processes with conformal prediction for guaranteed coverage [32.21093722162573]
  結果として生じる不確実な値の整合性は、学習関数がGPモデルで指定された特性に従うという前提に基づいている。 提案するGPは,分散のない後処理フレームワークである共形予測(CP)を用いて,有意なカバレッジで予測セットを生成する。
  論文  参考訳（メタデータ） (2024-10-07T19:22:15Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Decoupling of neural network calibration measures [45.70855737027571]
  本稿では,AUSE(Area Under Sparsification Error curve)測定値に焦点をあてて,異なるニューラルネットワークキャリブレーション尺度の結合について検討する。 本稿では,現行の手法は自由度を保ち,安全クリティカルな機能のホモログ化のユニークなモデルを妨げると結論付けている。
  論文  参考訳（メタデータ） (2024-06-04T15:21:37Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• 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)
• Faster Recalibration of an Online Predictor via Approachability [12.234317585724868]
  本稿では,オンラインの予測モデルを校正せず,その予測を校正した予測に変換する手法を提案する。 提案アルゴリズムは,従来の手法であるarXiv:1607.03594よりも高速にキャリブレーションと精度を達成し,オンライン設定におけるキャリブレーション誤差と精度との柔軟なトレードオフを提供する最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2023-10-25T20:59:48Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
  我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-15T18:59:30Z)
• Few-Shot Calibration of Set Predictors via Meta-Learned Cross-Validation-Based Conformal Prediction [33.33774397643919]
  本稿では,設定した予測サイズを減らすことを目的としたメタ学習ソリューションを提案する。 より効率的なバリデーションベースのCPではなく、クロスバリデーションベースのCP上に構築されている。 これは、厳格なタスク・マージナル保証を減らすのではなく、正式なタスク毎のキャリブレーション保証を保持する。
  論文  参考訳（メタデータ） (2022-10-06T17:21:03Z)

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。