論文の概要: Model uncertainty quantification using feature confidence sets for outcome excursions
- arxiv url: http://arxiv.org/abs/2504.19464v1
- Date: Mon, 28 Apr 2025 04:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:54.310292
- Title: Model uncertainty quantification using feature confidence sets for outcome excursions
- Title（参考訳）: 特徴信頼度を用いた結果探索のためのモデル不確実性定量化
- Authors: Junting Ren, Armin Schwartzman,
- Abstract要約: 本稿では,連続的および二項的結果の不確かさを定量化するための,新しいモデルに依存しない枠組みを提案する。
シミュレーションを通じて検証され、住宅価格予測や医療における敗血症診断の時間といったコンテキストにおける実世界のデータセットに適用される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: When implementing prediction models for high-stakes real-world applications such as medicine, finance, and autonomous systems, quantifying prediction uncertainty is critical for effective risk management. Traditional approaches to uncertainty quantification, such as confidence and prediction intervals, provide probability coverage guarantees for the expected outcomes $f(\boldsymbol{x})$ or the realized outcomes $f(\boldsymbol{x})+\epsilon$. Instead, this paper introduces a novel, model-agnostic framework for quantifying uncertainty in continuous and binary outcomes using confidence sets for outcome excursions, where the goal is to identify a subset of the feature space where the expected or realized outcome exceeds a specific value. The proposed method constructs data-dependent inner and outer confidence sets that aim to contain the true feature subset for which the expected or realized outcomes of these features exceed a specified threshold. We establish theoretical guarantees for the probability that these confidence sets contain the true feature subset, both asymptotically and for finite sample sizes. The framework is validated through simulations and applied to real-world datasets, demonstrating its utility in contexts such as housing price prediction and time to sepsis diagnosis in healthcare. This approach provides a unified method for uncertainty quantification that is broadly applicable across various continuous and binary prediction models.
- Abstract（参考訳）: 医療、金融、自律システムといった高度な現実的応用のための予測モデルを実装する場合、効果的なリスク管理には予測の不確実性の定量化が不可欠である。
信頼や予測間隔などの不確実性定量化への伝統的なアプローチは、期待される結果に対して $f(\boldsymbol{x})$ または実現された結果に対して $f(\boldsymbol{x})+\epsilon$ の確率カバレッジを保証する。
そこで本論文では, 結果抽出のための信頼セットを用いて, 期待ないし実現された結果が特定の値を超える特徴空間のサブセットを特定することを目的として, 連続的および二項的結果の不確かさを定量化する, モデルに依存しない新しい枠組みを提案する。
提案手法は,これらの特徴の期待ないし実現された結果が所定の閾値を超える真の特徴サブセットを含むことを目的とした,データ依存の内的および外的信頼セットを構築する。
これらの信頼集合が漸近的および有限標本サイズの両方に真の特徴部分集合を含む確率に関する理論的保証を確立する。
このフレームワークはシミュレーションを通じて検証され、実世界のデータセットに適用され、住宅価格の予測や医療における敗血症診断の時間といった文脈でその有用性を示す。
このアプローチは、様々な連続予測モデルとバイナリ予測モデルに広く適用可能な不確実性定量化のための統一的な方法を提供する。
関連論文リスト
- Epistemic Uncertainty in Conformal Scores: A Unified Approach [2.449909275410288]
等角予測法は、分布のない保証を持つ予測帯域を生成するが、不確実性を明示的に捉えることはできない。
モデルに依存しないアプローチである $texttEPICSCORE$ を導入する。
$texttEPICSCORE$は、限られたデータを持つ領域の予測間隔を適応的に拡張し、データが豊富であるコンパクト間隔を維持します。
論文 参考訳（メタデータ） (2025-02-10T19:42:54Z) - Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [0.0]
コンフォーマル予測は、ユーザ指定の重要度レベルで有効な予測セットを保証するために、交換可能なデータを必要とする。
適応共形推論 (Adaptive conformal inference, ACI) は、この制限に対処するために導入された。
我々は、ACIが共形予測器を必要とせず、より一般的な信頼性予測器で実装可能であることを示す。
論文 参考訳（メタデータ） (2024-09-23T21:02:33Z) - 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) - Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-12-28T18:33:26Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction [0.39287497907611874]
メンテナンス計画の中核となる部分は、健康と劣化に関する優れた予後を提供する監視システムである。
本稿では,確率論的RUL予測のためのアンサンブルニューラルネットワークを提案する。
この方法はNASAのターボファンジェットエンジンであるCMAPSSのデータセットで試験される。
論文 参考訳（メタデータ） (2023-09-21T19:38:44Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Model-free generalized fiducial inference [0.0]
本稿では,不正確な確率的予測推定のためのモデルフリー統計フレームワークの提案と開発を行う。
このフレームワークは、タイプ1エラーの有限サンプル制御を提供する予測セットの形式での不確実性定量化を促進する。
モデルフリー不正確なフレームワークに対する正確な確率近似の理論的および経験的特性について考察する。
論文 参考訳（メタデータ） (2023-07-24T01:58:48Z) - Dense Uncertainty Estimation via an Ensemble-based Conditional Latent
Variable Model [68.34559610536614]
我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。
そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。
以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
論文 参考訳（メタデータ） (2021-11-22T08:54:10Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z)
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。