論文の概要: Improving Coverage in Combined Prediction Sets with Weighted p-values

• arxiv url: http://arxiv.org/abs/2505.11785v1
• Date: Sat, 17 May 2025 01:51:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.845471
• Title: Improving Coverage in Combined Prediction Sets with Weighted p-values
• Title（参考訳）: 重み付きp値の組み合わせ予測集合における被覆の改善
• Authors: Gina Wong, Drew Prinster, Suchi Saria, Rama Chellappa, Anqi Liu,
• Abstract要約: コンフォーマル予測は、交換可能性を想定した有効な予測セットで点予測を増大させることにより、機械学習モデルの不確実性を定量化する。 本稿では,各予測セットに重み付けを割り当てる重み付け集約のためのフレームワークを提案する。 我々のフレームワークは集合をどのように集約するかを柔軟に制御し、結合モデルの1-2alpha$保証と、重みの分布に応じて個々のモデルの1-2alpha$保証とを補間する、より厳密なカバレッジ境界を達成する。
• 参考スコア（独自算出の注目度）: 40.39460846047462
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conformal prediction quantifies the uncertainty of machine learning models by augmenting point predictions with valid prediction sets, assuming exchangeability. For complex scenarios involving multiple trials, models, or data sources, conformal prediction sets can be aggregated to create a prediction set that captures the overall uncertainty, often improving precision. However, aggregating multiple prediction sets with individual $1-\alpha$ coverage inevitably weakens the overall guarantee, typically resulting in $1-2\alpha$ worst-case coverage. In this work, we propose a framework for the weighted aggregation of prediction sets, where weights are assigned to each prediction set based on their contribution. Our framework offers flexible control over how the sets are aggregated, achieving tighter coverage bounds that interpolate between the $1-2\alpha$ guarantee of the combined models and the $1-\alpha$ guarantee of an individual model depending on the distribution of weights. We extend our framework to data-dependent weights, and we derive a general procedure for data-dependent weight aggregation that maintains finite-sample validity. We demonstrate the effectiveness of our methods through experiments on synthetic and real data in the mixture-of-experts setting, and we show that aggregation with data-dependent weights provides a form of adaptive coverage.
• Abstract（参考訳）: コンフォーマル予測は、交換可能性を想定した有効な予測セットで点予測を増大させることにより、機械学習モデルの不確実性を定量化する。 複数の試行錯誤、モデル、またはデータソースを含む複雑なシナリオでは、共形予測セットを集約して、全体的な不確実性を捕捉し、しばしば精度を向上する予測セットを作成することができる。 しかし、複数の予測セットを個別に1-\alpha$カバレッジで集約することは、必然的に全体的な保証を弱め、通常は1-2\alpha$最悪のケースカバレッジをもたらす。 そこで本研究では,各予測セットに重み付けを割り当てる重み付けアグリゲーションの枠組みを提案する。 我々のフレームワークは集合をどのように集約するかを柔軟に制御し、重みの分布に応じて、組み合わせたモデルの1〜2ドル保証と個々のモデルの1〜2ドル保証とを補間する、より厳密なカバレッジ境界を達成する。 我々は,この枠組みをデータ依存重みまで拡張し,有限サンプルの有効性を維持するデータ依存重み集約の一般的な手順を導出する。 本手法の有効性を実験により実証し,データ依存重みによるアグリゲーションが適応的カバレッジを提供することを示す。

関連論文リスト

• Minimum Volume Conformal Sets for Multivariate Regression [44.99833362998488]
  等角予測は、有限サンプルの妥当性を持つ予測集合を構築するための原則化された枠組みを提供する。 本稿では,最小整合被覆集合を直接学習する新しい損失関数に基づく最適化駆動フレームワークを提案する。 提案手法は, 任意のノルム球によって定義された予測集合を最適化し, 単ノルムおよび多ノルムの定式化を含む。
  論文  参考訳（メタデータ） (2025-03-24T18:54:22Z)
• Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
  本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。 提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
  論文  参考訳（メタデータ） (2024-11-06T05:57:28Z)
• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Split Conformal Prediction under Data Contamination [14.23965125128232]
  データ汚染環境における分割共形予測の堅牢性について検討する。 構築した集合のカバレッジと効率に及ぼす劣化したデータの影響を定量化する。 本稿では,汚染ロバスト・コンフォーマル予測(Contamination Robust Conformal Prediction)と呼ぶ分類設定の調整を提案する。
  論文  参考訳（メタデータ） (2024-07-10T14:33:28Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)
• Private Prediction Sets [72.75711776601973]
  機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。 これら2つのデシラタを共同で扱う枠組みを提案する。 本手法を大規模コンピュータビジョンデータセット上で評価する。
  論文  参考訳（メタデータ） (2021-02-11T18:59:11Z)

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。