論文の概要: Graph-Structured Feedback Multimodel Ensemble Online Conformal Prediction
- arxiv url: http://arxiv.org/abs/2506.20898v1
- Date: Thu, 26 Jun 2025 00:06:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-27 19:53:09.919008
- Title: Graph-Structured Feedback Multimodel Ensemble Online Conformal Prediction
- Title（参考訳）: グラフ構造化フィードバックマルチモデルによるオンラインコンフォーマル予測
- Authors: Erfan Hajihashemi, Yanning Shen,
- Abstract要約: 本稿では,新しい多モデルオンライン共形予測アルゴリズムを提案する。
バイパーティイトグラフからフィードバックを収集することで、各ステップで有効なモデルのサブセットを特定する。
そして、このサブセットからモデルを選択して予測セットを構築し、計算複雑性を減らし、予測セットを小さくする。
- 参考スコア（独自算出の注目度）: 14.188004615463742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online conformal prediction has demonstrated its capability to construct a prediction set for each incoming data point that covers the true label with a predetermined probability. To cope with potential distribution shift, multi-model online conformal prediction has been introduced to select and leverage different models from a preselected candidate set. Along with the improved flexibility, the choice of the preselected set also brings challenges. A candidate set that includes a large number of models may increase the computational complexity. In addition, the inclusion of irrelevant models with poor performance may negatively impact the performance and lead to unnecessarily large prediction sets. To address these challenges, we propose a novel multi-model online conformal prediction algorithm that identifies a subset of effective models at each time step by collecting feedback from a bipartite graph, which is refined upon receiving new data. A model is then selected from this subset to construct the prediction set, resulting in reduced computational complexity and smaller prediction sets. Additionally, we demonstrate that using prediction set size as feedback, alongside model loss, can significantly improve efficiency by constructing smaller prediction sets while still satisfying the required coverage guarantee. The proposed algorithms are proven to ensure valid coverage and achieve sublinear regret. Experiments on real and synthetic datasets validate that the proposed methods construct smaller prediction sets and outperform existing multi-model online conformal prediction approaches.
- Abstract（参考訳）: オンライン共形予測は、真のラベルを所定の確率でカバーする各入力データポイントに対する予測セットを構築する能力を示した。
確率分布シフトに対処するため、事前選択された候補集合から異なるモデルを選択し、活用するために、マルチモデルオンラインコンフォメーション予測を導入した。
柔軟性の向上に加えて、事前選択されたセットの選択にも課題が生じる。
多数のモデルを含む候補集合は、計算複雑性を増大させる可能性がある。
さらに、性能が劣る無関係なモデルの導入は、パフォーマンスに悪影響を及ぼし、不要な大規模な予測セットにつながる可能性がある。
これらの課題に対処するために,両部グラフからフィードバックを収集し,各ステップで有効モデルのサブセットを識別する,新しいマルチモデルオンラインコンフォメーション予測アルゴリズムを提案する。
そして、このサブセットからモデルを選択して予測セットを構築し、計算複雑性を減らし、予測セットを小さくする。
さらに、モデル損失とともに予測セットのサイズをフィードバックとして用いることで、必要なカバレッジ保証を満足しつつ、より小さな予測セットを構築することにより、効率を大幅に向上できることを示した。
提案したアルゴリズムは、有効なカバレッジを保証し、サブ線形後悔を達成することが証明されている。
実データおよび合成データを用いた実験により,提案手法はより小さな予測セットを構築し,既存の多モデルオンライン共形予測手法より優れていることを確認した。
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) - Conformal online model aggregation [29.43493007296859]
本稿では,オンライン環境における共形モデルアグリゲーションへの新たなアプローチを提案する。
これは、過去の性能に基づいてモデルの重みが時間とともに適応される投票によって、いくつかのアルゴリズムの予測セットを組み合わせることに基づいている。
論文 参考訳（メタデータ） (2024-03-22T15:40:06Z) - Predictive Churn with the Set of Good Models [61.00058053669447]
本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。
予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。
2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
論文 参考訳（メタデータ） (2024-02-12T16:15:25Z) - 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) - Few-shot Conformal Prediction with Auxiliary Tasks [29.034390810078172]
対象タスクがトレーニングに利用可能なデータに制限がある場合に,コンフォメーション予測を行うための新しい手法を開発した。
共形予測をメタラーニングパラダイムとしてキャスティングすることで、望ましい限界保証を維持しつつ、より厳密な予測セットを得る。
本手法は,自然言語処理,コンピュータビジョン,薬物発見のための計算化学において,数発の分類と回帰タスクにまたがる効果を示す。
論文 参考訳（メタデータ） (2021-02-17T17:46:57Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Predicting Temporal Sets with Deep Neural Networks [50.53727580527024]
本稿では,時間集合予測のためのディープニューラルネットワークに基づく統合解を提案する。
ユニークな視点は、セットレベルの共起グラフを構築することで要素関係を学ぶことである。
我々は,要素や集合の時間依存性を適応的に学習するアテンションベースのモジュールを設計する。
論文 参考訳（メタデータ） (2020-06-20T03:29:02Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳（メタデータ） (2020-05-21T16:08:38Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。