論文の概要: Conditional Forecasts and Proper Scoring Rules for Reliable and Accurate Performative Predictions

• arxiv url: http://arxiv.org/abs/2510.21335v1
• Date: Fri, 24 Oct 2025 10:59:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.412648
• Title: Conditional Forecasts and Proper Scoring Rules for Reliable and Accurate Performative Predictions
• Title（参考訳）: 信頼性・高精度な予測のための条件予測と適切なスコアリング規則
• Authors: Philip Boeken, Onno Zoeter, Joris M. Mooij,
• Abstract要約: 結果から分離した共変量に対する条件付け予測が,目標分布予測不変量となることを示す。 また, (i) 決定論的条件下では, 予測が分離された場合, 正しい予測とインセンティブに適合する予測が適用可能であること, (ii) 予測と対象変数の帰納分布の偏りの未偏り推定によるスコアが正しい予測をもたらすこと, の2つの解を同定した。 本結果は,従来の予測評価の基本的限界を明らかにし,信頼性と精度の高い予測を行うための新しいツールを提供する。
• 参考スコア（独自算出の注目度）: 1.1087735229999816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Performative predictions are forecasts which influence the outcomes they aim to predict, undermining the existence of correct forecasts and standard methods of elicitation and estimation. We show that conditioning forecasts on covariates that separate them from the outcome renders the target distribution forecast-invariant, guaranteeing well-posedness of the forecasting problem. However, even under this condition, classical proper scoring rules fail to elicit correct forecasts. We prove a general impossibility result and identify two solutions: (i) in decision-theoretic settings, elicitation of correct and incentive-compatible forecasts is possible if forecasts are separating; (ii) scoring with unbiased estimates of the divergence between the forecast and the induced distribution of the target variable yields correct forecasts. Applying these insights to parameter estimation, conditional forecasts and proper scoring rules enable performatively stable estimation of performatively correct parameters, resolving the issues raised by Perdomo et al. (2020). Our results expose fundamental limits of classical forecast evaluation and offer new tools for reliable and accurate forecasting in performative settings.
• Abstract（参考訳）: パフォーマンス予測(Performative forecasts)は、予測対象の予測結果に影響を与える予測であり、正しい予測の存在を損なう。 結果から分離した共変量に対する条件付き予測は、目標分布予測不変性を付与し、予測問題の適切性を保証することを示す。 しかし、この条件下であっても、古典的な適切なスコアリングルールは正確な予測を引き出すことができない。 我々は、一般的な不可能な結果を証明し、2つの解を同定する。 一 決定論的な設定において、予測を分離する場合は、正当かつインセンティブに適合する予測の実施が可能となる。 (II) 予測値と対象変数の誘導分布の偏りの偏りの未偏り推定値によるスコアは、正しい予測を得る。 これらの知見をパラメータ推定、条件付き予測、適切なスコアリングルールに適用することにより、Perdomo et al (2020) によって提起された問題を解消し、実行的に安定したパラメータの推定が可能になる。 本結果は,従来の予測評価の基本的限界を明らかにし,信頼性と精度の高い予測を行うための新しいツールを提供する。

関連論文リスト

• Probabilistic bias adjustment of seasonal predictions of Arctic Sea Ice Concentration [0.0]
  季節予測システムは、しばしばバイアスを示し、複雑な時間誤差を予測する。 本稿では,条件付き変分オートエンコーダモデルに基づく確率的誤り訂正フレームワークを提案する。 調整された予測は観測分布に適しており、気候学的平均調整された予測よりも誤差が小さいことを示す。
  論文  参考訳（メタデータ） (2025-10-10T22:17:29Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Consistency Checks for Language Model Forecasters [54.62507816753479]
  予測器の性能を,論理的に異なる質問に対する予測の整合性の観点から測定する。 我々は,一連の基本質問を生成し,これらの質問から整合性チェックをインスタンス化し,予測者の予測を導き,予測の整合性を測定する自動評価システムを構築した。
  論文  参考訳（メタデータ） (2024-12-24T16:51:35Z)
• Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
  ユーザ定義サブセット間の一貫したカバレッジ率を確保することにより、標準コンフォメーション予測を強化するビン条件コンフォメーション予測(BCCP)を導入する。 標準共形予測と比較すると、BCCPは局所的カバレッジを改善するが、これはわずかに広い予測間隔のコストがかかる。
  論文  参考訳（メタデータ） (2024-10-18T14:41:42Z)
• Self-Calibrating Conformal Prediction [16.606421967131524]
  本稿では,これらの予測に対して有限サンプル妥当性条件付き予測間隔とともに,校正点予測を実現するための自己校正等式予測を提案する。 本手法は,モデルキャリブレーションによりキャリブレーション間隔効率を向上し,特徴条件の妥当性に対して実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-02-11T21:12:21Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Optimal reconciliation with immutable forecasts [9.25906680708985]
  我々は、変数の既定部分集合の予測が変化しない、あるいは「不変」であるような調整手法を定式化する。 我々は,我々のアプローチがベース予測の偏りを保っていることを証明した。 また,予測誤差の相関を考慮し,予測の非負性を保証する。
  論文  参考訳（メタデータ） (2022-04-20T05:23:31Z)
• Evaluation of Machine Learning Techniques for Forecast Uncertainty Quantification [0.13999481573773068]
  アンサンブル予測は、これまでのところ、関連する予測を生成するための最も成功したアプローチであり、その不確実性を見積もっている。 アンサンブル予測の主な制限は、高い計算コストと異なる不確実性の源を捕捉し定量化することの難しさである。 本研究は,1つの決定論的予測のみを入力として,システムの修正状態と状態不確かさを予測するために訓練されたANNの性能を評価するための概念モデル実験である。
  論文  参考訳（メタデータ） (2021-11-29T16:52:17Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。