論文の概要: TabMGP: Martingale Posterior with TabPFN

• arxiv url: http://arxiv.org/abs/2510.25154v1
• Date: Wed, 29 Oct 2025 04:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.077754
• Title: TabMGP: Martingale Posterior with TabPFN
• Title（参考訳）: TabMGP: Martingale Posterior with TabPFN
• Authors: Kenyon Ng, Edwin Fong, David T. Frazier, Jeremias Knoblauch, Susan Wei,
• Abstract要約: マーチンゲール後部は代替手段を提供し、予測規則で前装用を置き換える。 本稿では,TabPFN上に構築されたMGPであるTabMGPを紹介する。 ほぼ無数の範囲で信頼できる集合を生成し、しばしば既存のMGP構造と標準ベイズよりも優れる。
• 参考スコア（独自算出の注目度）: 7.926724932006777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian inference provides principled uncertainty quantification but is often limited by challenges of prior elicitation, likelihood misspecification, and computational burden. The martingale posterior (MGP, Fong et al., 2023) offers an alternative, replacing prior-likelihood elicitation with a predictive rule - namely, a sequence of one-step-ahead predictive distributions - for forward data generation. The utility of MGPs depends on the choice of predictive rule, yet the literature has offered few compelling examples. Foundation transformers are well-suited here, as their autoregressive generation mirrors this forward simulation and their general-purpose design enables rich predictive modeling. We introduce TabMGP, an MGP built on TabPFN, a transformer foundation model that is currently state-of-the-art for tabular data. TabMGP produces credible sets with near-nominal coverage and often outperforms both existing MGP constructions and standard Bayes.
• Abstract（参考訳）: ベイズ推論は、原理化された不確実性定量化を提供するが、しばしば事前の推論、潜在的な不特定性、計算上の負担によって制限される。 マーチンゲール後部 (MGP, Fong et al , 2023) は、前方データ生成のための1段階の予測分布の列を予測規則に置き換えた代替手段を提供する。 MGPの効用は予測規則の選択に依存するが、文献には説得力のある例がほとんどない。 ファウンデーショントランスフォーマーは、このフォワードシミュレーションを自己回帰生成が反映し、汎用設計によってリッチな予測モデリングが可能になるため、ここでは適している。 本稿では,TabPFN上に構築されたMGPであるTabMGPを紹介する。 TabMGP は、ほぼ最小のカバレッジを持つ信頼できる集合を生成し、しばしば既存の MGP 構造と標準ベイズの両方より優れている。

関連論文リスト

• Conformalized Gaussian processes for online uncertainty quantification over graphs [27.90282886573793]
  グラフ上の不確実性定量化(UQ)は、ネットワーク科学における多くの安全クリティカルな応用に現れる。 我々は、ランダム特徴(RF)に基づくカーネル近似を利用して、新しいグラフ対応パラメトリックGPモデルを考案する。 誤特定をモデル化するためのロバストなカバレッジを確保するため,我々はGPベースの集合予測器をオンラインコンフォメーション予測フレームワークを用いて検討した。
  論文  参考訳（メタデータ） (2025-10-07T17:44:13Z)
• Predictive posterior sampling from non-stationnary Gaussian process priors via Diffusion models with application to climate data [0.8287206589886881]
  本研究では,拡散生成モデル(DGM)に基づく2段階のアプローチを提案する。 我々は、GPをDGMサロゲートに置き換え、DGMのトレーニング不要誘導アルゴリズムの最近の進歩を活用して、所望の後方分布からサンプリングする。
  論文  参考訳（メタデータ） (2025-05-23T07:40:53Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Posterior Uncertainty Quantification in Neural Networks using Data Augmentation [3.9860047080844807]
  深層アンサンブルは,既存の観測結果にのみ,将来のデータがサポートされることを前提として,基本的に不特定モデルクラスであることを示す。 一般的なデータ拡張手法を用いて,より現実的な予測分布を構築する手法であるMixupMPを提案する。 実験により,MixupMPは様々な画像分類データセットにおいて,優れた予測性能と不確かさの定量化を実現することが示された。
  論文  参考訳（メタデータ） (2024-03-18T17:46:07Z)
• Conformal Approach To Gaussian Process Surrogate Evaluation With Coverage Guarantees [47.22930583160043]
  適応型クロスコンフォーマル予測区間を構築する手法を提案する。 結果として生じる共形予測区間は、ベイズ的信頼性集合に類似した適応性のレベルを示す。 原子炉の蒸気発生器における閉鎖現象の高コスト・評価シミュレータのサロゲートモデリングの文脈において, 本手法の適用可能性を示す。
  論文  参考訳（メタデータ） (2024-01-15T14:45:18Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Bayesian Inference for the Multinomial Probit Model under Gaussian Prior Distribution [0.0]
  マルチノミカル・プロビット(mnp)モデルは分類データに対する基本的かつ広く適用された回帰モデルである。 Fasano and Durante (2022) は、統一スキュー正規分布のクラスが複数のmnpサンプリングモデルに共役であることを証明した。 結果は、ゼロ平均と独立ガウス事前の下での離散選択 mnp モデルという、一般的な特殊ケースに適応する。
  論文  参考訳（メタデータ） (2022-06-01T19:10:41Z)
• 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。