論文の概要: Robust Decision Making with Partially Calibrated Forecasts

• arxiv url: http://arxiv.org/abs/2510.23471v1
• Date: Mon, 27 Oct 2025 16:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.604519
• Title: Robust Decision Making with Partially Calibrated Forecasts
• Title（参考訳）: 部分校正予測によるロバスト決定
• Authors: Shayan Kiyani, Hamed Hassani, George Pappas, Aaron Roth,
• Abstract要約: 我々は、保守的な意思決定者が、より弱い(部分的な)キャリブレーションの保証を受けた予測を行動にマップする方法を検討する。 また,このミニマックス感において,「予測を信頼し,それに従って行動する」という,そのミニマックス最適決定ルールが回復したことを示す。
• 参考スコア（独自算出の注目度）: 32.96842403002962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Calibration has emerged as a foundational goal in ``trustworthy machine learning'', in part because of its strong decision theoretic semantics. Independent of the underlying distribution, and independent of the decision maker's utility function, calibration promises that amongst all policies mapping predictions to actions, the uniformly best policy is the one that ``trusts the predictions'' and acts as if they were correct. But this is true only of \emph{fully calibrated} forecasts, which are tractable to guarantee only for very low dimensional prediction problems. For higher dimensional prediction problems (e.g. when outcomes are multiclass), weaker forms of calibration have been studied that lack these decision theoretic properties. In this paper we study how a conservative decision maker should map predictions endowed with these weaker (``partial'') calibration guarantees to actions, in a way that is robust in a minimax sense: i.e. to maximize their expected utility in the worst case over distributions consistent with the calibration guarantees. We characterize their minimax optimal decision rule via a duality argument, and show that surprisingly, ``trusting the predictions and acting accordingly'' is recovered in this minimax sense by \emph{decision calibration} (and any strictly stronger notion of calibration), a substantially weaker and more tractable condition than full calibration. For calibration guarantees that fall short of decision calibration, the minimax optimal decision rule is still efficiently computable, and we provide an empirical evaluation of a natural one that applies to any regression model solved to optimize squared error.
• Abstract（参考訳）: キャリブレーションは「信頼できる機械学習」における基礎的な目標として現れてきた。 根底にある分布と意思決定者のユーティリティ機能とは独立して、キャリブレーションは全てのポリシーにおいて、予測を行動にマッピングすることを約束する。 しかしこれは、非常に低次元の予測問題のみを保証できるような \emph{fully calibrated} 予測のみに当てはまる。 高次元予測問題(例えば、結果がマルチクラスである場合)では、これらの決定論的性質を欠いたキャリブレーションの弱い形式が研究されている。 本稿では,この「部分的」なキャリブレーションによって得られる予測を,最小限の意味で頑健な方法で,例えば,キャリブレーション保証と整合した分布に対して,期待する効用を最大化するために,保守的意思決定者がどのようにマッピングすべきかを検討する。 両値の議論を通じてそれらのミニマックス最適決定ルールを特徴付け、このミニマックス感覚において「予測を信頼し、それに従って行動する」ことは、完全な校正よりもかなり弱く、よりトラクタブルな条件である 'emph{decision calibration} (およびいかなる厳密な校正概念も) によって回復されることを示す。 決定キャリブレーションが不十分なキャリブレーションを保証するため、最小値の最適決定ルールは依然として効率的に計算可能であり、二乗誤差を最適化するために解決された任意の回帰モデルに適用可能な自然条件を実証的に評価する。

関連論文リスト

• Uncertainty-Aware Post-Hoc Calibration: Mitigating Confidently Incorrect Predictions Beyond Calibration Metrics [6.9681910774977815]
  本稿では、校正品質と不確実性を考慮した意思決定を向上させるためのポストホック校正フレームワークを提案する。 校正基準,不確実性認識性能測定,実証的コンフォメーションカバレッジを用いて総合評価を行った。 実験により,提案手法はイソトニックおよび焦点損失ベースラインと比較して,信頼性の低い予測精度と競合予測誤差を実現することが示された。
  論文  参考訳（メタデータ） (2025-10-19T23:55:36Z)
• Persuasive Calibration [15.651406777700517]
  我々は、予測を自身の値で非バイアス条件で行うように規制する標準校正フレームワークを採用する。 最適予測器は、高い(低い)真の期待結果に対して自信過剰であり、中央に完全に留まっていることを示す。
  論文  参考訳（メタデータ） (2025-04-04T06:49:56Z)
• Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
  キャリブレーション・リファインメント分解の新規な変分定式化について述べる。 我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-01-31T15:03:54Z)
• Truthfulness of Calibration Measures [18.21682539787221]
  キャリブレーションの指標は、予測者が次の結果の条件付き期待を予測することによって期待されるペナルティを最小化した場合に真実とされる。 これにより、音の良さや完全さといった典型的な要件とともに、校正措置に欠かせないデシプラタムとなる。 本稿では, 正当性予測を一定乗算係数まで最適とする, Subsampled Smooth Error (SSCE) と呼ばれる新たなキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T02:07:55Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• When Does Optimizing a Proper Loss Yield Calibration? [12.684962113589515]
  局所最適性を持つ任意の予測器が滑らかなキャリブレーションを満たすことを示す。 また,局所最適度とキャリブレーション誤差の関連性も両立していることが示唆された。
  論文  参考訳（メタデータ） (2023-05-30T05:53:34Z)
• On Calibrating Semantic Segmentation Models: Analyses and An Algorithm [51.85289816613351]
  セマンティックセグメンテーションキャリブレーションの問題について検討する。 モデルキャパシティ、作物サイズ、マルチスケールテスト、予測精度はキャリブレーションに影響を及ぼす。 我々は、単純で統一的で効果的なアプローチ、すなわち選択的スケーリングを提案する。
  論文  参考訳（メタデータ） (2022-12-22T22:05:16Z)
• Calibrating Predictions to Decisions: A Novel Approach to Multi-Class Calibration [118.26862029820447]
  我々は、下流の意思決定者に対して、予測された分布と真の分布を区別不能にする必要がある新しい概念、即時校正を導入します。 決定キャリブレーションは、皮膚病変の判定と、現代のニューラルネットワークを用いたImageNet分類を改善する。
  論文  参考訳（メタデータ） (2021-07-12T20:17:28Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。