論文の概要: Resolving Predictive Multiplicity for the Rashomon Set
- arxiv url: http://arxiv.org/abs/2601.09071v1
- Date: Wed, 14 Jan 2026 02:02:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-15 18:59:20.218293
- Title: Resolving Predictive Multiplicity for the Rashomon Set
- Title（参考訳）: 羅生門集合の予測的多重性の解消
- Authors: Parian Haghighat, Hadis Anahideh, Cynthia Rudin,
- Abstract要約: モデルの「羅生門集合」も同様の精度を得るが、個々の予測では分岐する。
本稿では,ラーショモン集合の構成員に対する予測の不整合を低減するための3つのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 25.615527704500987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The existence of multiple, equally accurate models for a given predictive task leads to predictive multiplicity, where a ``Rashomon set'' of models achieve similar accuracy but diverges in their individual predictions. This inconsistency undermines trust in high-stakes applications where we want consistent predictions. We propose three approaches to reduce inconsistency among predictions for the members of the Rashomon set. The first approach is \textbf{outlier correction}. An outlier has a label that none of the good models are capable of predicting correctly. Outliers can cause the Rashomon set to have high variance predictions in a local area, so fixing them can lower variance. Our second approach is local patching. In a local region around a test point, models may disagree with each other because some of them are biased. We can detect and fix such biases using a validation set, which also reduces multiplicity. Our third approach is pairwise reconciliation, where we find pairs of models that disagree on a region around the test point. We modify predictions that disagree, making them less biased. These three approaches can be used together or separately, and they each have distinct advantages. The reconciled predictions can then be distilled into a single interpretable model for real-world deployment. In experiments across multiple datasets, our methods reduce disagreement metrics while maintaining competitive accuracy.
- Abstract（参考訳）: 与えられた予測タスクに対する複数の、等しく正確なモデルの存在は、予測多重性をもたらし、モデルの ``Rashomon set'' が同様の精度を達成するが、個々の予測では分岐する。
この不整合は、一貫性のある予測が必要な高レベルのアプリケーションに対する信頼を損なう。
本稿では,ラーショモン集合の構成員に対する予測の不整合を低減するための3つのアプローチを提案する。
最初のアプローチは \textbf{outlier correct} である。
異常者は、どの良いモデルも正しく予測できないというラベルを持っている。
アウトレーヤは局所領域においてラショモン集合に高い分散予測をもたらすため、それらの固定は分散を減少させる。
第2のアプローチはローカルパッチです。
テストポイントの周りの局所領域では、モデルが相互に矛盾することがある。
このようなバイアスを検証セットを使って検出および修正することができ、多重度も低減できる。
3つ目のアプローチはペア和解であり、テストポイントの周囲の領域に矛盾するモデルのペアを見つけます。
私たちは不一致の予測を修正し、バイアスを減らします。
これら3つのアプローチは一緒にあるいは別々に使用することができ、それぞれに異なる利点がある。
再現された予測は、実際の展開のための単一の解釈可能なモデルに蒸留することができる。
複数のデータセットにまたがる実験では、競合精度を維持しながら不一致の指標を減らすことができる。
関連論文リスト
- Reconciling Model Multiplicity for Downstream Decision Making [24.335927243672952]
2つの予測モデルがほぼ至るところでそれぞれの予測にほぼ一致しているとしても、最も応答性の高い行動が人口のかなりの部分で相違していることが示される。
本稿では,下流決定問題と個別確率予測の両方に関して,予測モデルを校正する枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-30T03:36:46Z) - Conformal online model aggregation [36.191356601153146]
コンフォーマル予測は、強い分布仮定を行うことなく、不確実性定量化の合理的な概念を機械学習モデルに装備する。
本稿では,複数の共形予測セットを取り込み,適応的に組み合わされた1つの予測セットを出力するラッパーを提案する。
共形オンラインモデルアグリゲーション (COMA) と呼ばれる本手法は, 重み付け投票による複数のアルゴリズムからの予測セットの組み合わせに基づいている。
論文 参考訳（メタデータ） (2024-03-22T15:40:06Z) - Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。
回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。
提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
論文 参考訳（メタデータ） (2024-02-12T01:17:09Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Confidence-Based Model Selection: When to Take Shortcuts for
Subpopulation Shifts [119.22672589020394]
モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。
我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
論文 参考訳（メタデータ） (2023-06-19T18:48:15Z) - Proximity-Informed Calibration for Deep Neural Networks [49.330703634912915]
ProCalは、近接性に基づいてサンプル信頼度を調整する理論的保証を持つプラグアンドプレイアルゴリズムである。
ProCalは、近接バイアスに対処し、バランスの取れた、長い、分布シフトの設定の校正を改善するのに有効であることを示す。
論文 参考訳（メタデータ） (2023-06-07T16:40:51Z) - Predictive Multiplicity in Probabilistic Classification [25.111463701666864]
確率的分類における予測的乗数性を測定するための枠組みを提案する。
実世界のタスクにおける予測多重度の発生頻度と頻度を実証する。
その結果,予測多重度をより広範囲に報告する必要性が強調された。
論文 参考訳（メタデータ） (2022-06-02T16:25:29Z) - Predicting with Confidence on Unseen Distributions [90.68414180153897]
ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。
分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。
具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
論文 参考訳（メタデータ） (2021-07-07T15:50:18Z) - A hybrid ensemble method with negative correlation learning for
regression [2.8484009470171943]
ヘテロジニアスモデルプールからサブモデルを自動的に選択および重み付けする。
内部点フィルタリング線形探索アルゴリズムを用いて最適化問題を解く。
本研究の価値は、その使いやすさと有効性にあるため、ハイブリッドアンサンブルは多様性と正確性を受け入れることができる。
論文 参考訳（メタデータ） (2021-04-06T06:45:14Z) - Individual Calibration with Randomized Forecasting [116.2086707626651]
予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。
我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
論文 参考訳（メタデータ） (2020-06-18T05:53:10Z) - 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。