論文の概要: Anytime-valid, Bayes-assisted,Prediction-Powered Inference
- arxiv url: http://arxiv.org/abs/2505.18000v1
- Date: Fri, 23 May 2025 15:05:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-26 18:08:34.178448
- Title: Anytime-valid, Bayes-assisted,Prediction-Powered Inference
- Title（参考訳）: 任意の有価、ベイズ支援、予測駆動推論
- Authors: Valentin Kilian, Stefano Cortinovis, François Caron,
- Abstract要約: 予測駆動推論(PPI)は機械学習の予測を活用して統計的効率を向上させる。
PPIフレームワークをシーケンシャルな設定に拡張し、ラベル付きデータセットと非ラベル付きデータセットが時間とともに成長します。
本稿では,時間とともに一様に有効であり,予測の質に関する事前知識を自然に順応する予測型信頼シーケンス手順を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Given a large pool of unlabelled data and a smaller amount of labels, prediction-powered inference (PPI) leverages machine learning predictions to increase the statistical efficiency of standard confidence interval procedures based solely on labelled data, while preserving their fixed-time validity. In this paper, we extend the PPI framework to the sequential setting, where labelled and unlabelled datasets grow over time. Exploiting Ville's inequality and the method of mixtures, we propose prediction-powered confidence sequence procedures that are valid uniformly over time and naturally accommodate prior knowledge on the quality of the predictions to further boost efficiency. We carefully illustrate the design choices behind our method and demonstrate its effectiveness in real and synthetic examples.
- Abstract（参考訳）: ラベル付きデータとラベルの少ない大量のプールが与えられた場合、予測駆動推論(PPI)は機械学習予測を活用し、ラベル付きデータのみに基づく標準信頼区間手順の統計的効率を高めるとともに、その固定時間の有効性を保っている。
本稿では、PPIフレームワークを逐次設定に拡張し、ラベル付きデータセットと非ラベル付きデータセットが時間とともに成長する。
そこで我々は,Villeの不等式と混合方法の展開について,時間とともに一様に有効であり,予測の品質に関する事前知識を自然に適応し,効率をさらに向上する予測型信頼シーケンス手順を提案する。
提案手法の背景にある設計選択を慎重に説明し,実例と合成例でその有効性を実証する。
関連論文リスト
- Synthetic-Powered Predictive Inference [28.99972786873634]
コンフォーマル予測は、分布のない有限サンプル保証を伴う予測推論のためのフレームワークである。
本稿では, サンプル効率を向上させるために合成データを組み込んだ新しいフレームワークであるSynthetic-powered predictive Inference (SPPI)を紹介する。
論文 参考訳（メタデータ） (2025-05-19T17:55:56Z) - 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) - Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。
単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-06-06T17:37:39Z) - PPI++: Efficient Prediction-Powered Inference [31.403415618169433]
PPI++: 小さなラベル付きデータセットと、通常より大きな機械学習予測データセットに基づく推定と推測の方法論を提案する。
これらの手法は、利用可能な予測の品質に自動的に適応し、容易に計算可能な信頼セットを得る。
PPI++は予測駆動推論(PPI)に基づいており、同じ問題設定をターゲットとし、計算効率と統計効率を改善している。
論文 参考訳（メタデータ） (2023-11-02T17:59:04Z) - 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) - 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) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳（メタデータ） (2023-01-23T18:59:28Z)
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。