論文の概要: Proper Calibeating

• arxiv url: http://arxiv.org/abs/2605.26703v1
• Date: Tue, 26 May 2026 08:44:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.762897
• Title: Proper Calibeating
• Title（参考訳）: Proper Calibeating
• Authors: Dean P. Foster, Sergiu Hart,
• Abstract要約: 適切な校正は常に適切な校正を意味するが、校正は適切な校正を行う必要はない。 我々は、不確実性のある意思決定における予測に最善を尽くす際に、適切な校正と普遍的不後悔の等価性を示す。
• 参考スコア（独自算出の注目度）: 4.753991869205972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The classic concept of "calibrated forecasts" and its more recent refinement, "calibeating," are defined with respect to the standard quadratic scoring rule. We extend these notions to the class of $\textit{proper}$ scoring rules (for which the best forecast is the true distribution) and define $\textit{proper-calibration}$ and $\textit{proper-calibeating}$ by requiring the errors to converge to zero uniformly over all bounded proper scoring rules. We first establish that calibration always implies proper-calibration, whereas calibeating need not imply proper-calibeating. Second, we show how to guarantee proper-calibeating and proper-multicalibeating. Finally, we demonstrate the equivalence between proper-calibration and universal no regret when best replying to forecasts in decision-making under uncertainty.
• Abstract（参考訳）: 古典的な「校正予測」の概念と、より最近の改良である「カリビーティング」は、標準的な2次スコアリング規則に関して定義される。 これらの概念を$\textit{proper}$スコアリングルールのクラスに拡張し(最良の予測は真の分布である)、すべての有界なスコアリングルールに対してエラーをゼロに収束させることで、$\textit{proper-calibration}$と$\textit{proper-calibeating}$を定義する。 まず、キャリブレーションは常に適切なキャリブレーションを意味すると断定するが、キャリブレーションは適切なキャリブレーションを含まない。 第2に、適切なカリオビートと適切なマルチビートを保証する方法を示す。 最後に、不確実性のある意思決定における予測に最善を尽くす場合、適切な校正と万能不後悔の等価性を示す。

関連論文リスト

• Robust Decision Making with Partially Calibrated Forecasts [32.96842403002962]
  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。
  論文  参考訳（メタデータ） (2025-10-27T16:09:07Z)
• Adaptive Set-Mass Calibration with Conformal Prediction [60.47079469141295]
  提案手法は,まず共形予測から始まり,所望のカバレッジを与えるラベルの集合を得る。 次に、共形制約に合わせて、質量正規化と温度スケーリングに基づくルールの2つの簡単なポストホックキャリブレータをインスタンス化する。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• 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)
• Normalizing Flows for Conformal Regression [0.0]
  Conformal Prediction (CP)アルゴリズムは、ラベル付きデータに基づいて出力を校正することで予測モデルの不確実性を推定する。 キャリブレーション過程をトレーニングすることで、間隔をローカライズする一般的なスキームを提案する。 PapadopoulosらによるError Reweighting CPアルゴリズム(2008年)とは異なり、このフレームワークは名目と経験的条件の妥当性のギャップを推定できる。
  論文  参考訳（メタデータ） (2024-06-05T15:04:28Z)
• 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)
• U-Calibration: Forecasting for an Unknown Agent [29.3181385170725]
  単一のスコアリングルールに対する予測を最適化することは、すべてのエージェントに対して低い後悔を保証できないことを示す。 予測列の最大後悔度に匹敵するU校正と呼ばれる予測を評価するための新しい指標を提案する。
  論文  参考訳（メタデータ） (2023-06-30T23:05:26Z)
• Distribution-free uncertainty quantification for classification under label shift [105.27463615756733]
  2つの経路による分類問題に対する不確実性定量化(UQ)に焦点を当てる。 まず、ラベルシフトはカバレッジとキャリブレーションの低下を示すことでuqを損なうと論じる。 これらの手法を, 理論上, 分散性のない枠組みで検討し, その優れた実用性を示す。
  論文  参考訳（メタデータ） (2021-03-04T20:51:03Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Distribution-free binary classification: prediction sets, confidence intervals and calibration [106.50279469344937]
  分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。 固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。 我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
  論文  参考訳（メタデータ） (2020-06-18T14:17:29Z)

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。