論文の概要: Hierarchies of Calibration: Classification meets Regression
- arxiv url: http://arxiv.org/abs/2606.03245v1
- Date: Tue, 02 Jun 2026 07:05:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.823981
- Title: Hierarchies of Calibration: Classification meets Regression
- Title（参考訳）: 校正の階層性: 分類は回帰に合致する
- Authors: Johannes Resin, Lu Yang, Tilmann Gneiting,
- Abstract要約: キャリブレーションの概念は確率的予測とそれぞれの結果との互換性を形式化する。
本稿では,分類および回帰タスクのために提案されたキャリブレーションの考え方をレビューし,拡張し,橋渡しする。
- 参考スコア（独自算出の注目度）: 4.90063885770646
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Concepts of calibration formalize the compatibility between probabilistic predictions and the respective outcomes. In a nutshell, the outcomes ought to be indistinguishable from random draws from the predictive distributions. In this paper, we review, extend, and bridge notions of calibration that have been proposed for classification and regression tasks. Particular emphasis is given to hierarchical relations between the various notions, as they apply to general real-valued data, continuous outcomes, count data, nominal classes, and binary outcomes. To highlight a number of contributions, we introduce the notion of modal calibration for nominal outcomes, we distinguish full, partial, and average calibration in this setting, and we show that double probability integral transform (PIT) calibration is logically independent of previously proposed concepts of calibration for discrete outcomes. Furthermore, we generalize extant results on concepts of calibration that are expressed in terms of properties or functionals of the predictive distributions, such as means, quantiles, or event probabilities. Throughout the paper, we illustrate the concepts and their hierarchical relations in worked examples, and we provide algorithmic tools that support the construction of instructive examples and counterexamples.
- Abstract（参考訳）: キャリブレーションの概念は確率的予測とそれぞれの結果との互換性を形式化する。
簡単に言えば、結果は予測分布からのランダムな引き分けと区別できないはずである。
本稿では,分類および回帰タスクのために提案されたキャリブレーションの概念をレビューし,拡張し,橋渡しする。
特に、一般的な実数値データ、連続的な結果、カウントデータ、名目クラス、バイナリ結果に適用されるように、様々な概念間の階層的関係に重点を置いている。
提案手法は, 従来提案されていた離散的な結果に対するキャリブレーションの概念とは論理的に無関係であることを示すとともに, この設定において, 完全, 部分, 平均キャリブレーションを区別し, 両確率積分変換(PIT)キャリブレーションが論理的に独立であることを示す。
さらに、予測分布の性質や機能、例えば、平均値、量子値、事象確率の観点から表されるキャリブレーションの概念について、既存の結果を一般化する。
論文全体を通して,作業例における概念とその階層的関係を概説し,インストラクティブな例や反例の構築を支援するアルゴリズムツールを提供する。
関連論文リスト
- Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。
我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。
本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文 参考訳（メタデータ） (2025-03-30T22:06:37Z) - Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。
データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-27T21:46:42Z) - Multiply-Robust Causal Change Attribution [15.501106533308798]
我々は,各因果メカニズムの貢献度を定量化するために,回帰法と再重み付け法を組み合わせた新しい推定方法を開発した。
本手法はモンテカルロシミュレーションにおいて優れた性能を示し,その有効性を示す。
論文 参考訳（メタデータ） (2024-04-12T22:57:01Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Learning Invariant Representations under General Interventions on the
Response [2.725698729450241]
線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。
離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
論文 参考訳（メタデータ） (2022-08-22T03:09:17Z) - Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。
私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。
画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文 参考訳（メタデータ） (2022-07-05T14:55:16Z) - An Invariant Matching Property for Distribution Generalization under
Intervened Response [19.786769414376323]
特定の特徴の推定値を追加の予測子として組み込むことにより、新しい不変性を示す。
本稿では,線形マッチングの明示的な特徴と,様々な介入条件下でのシミュレーション結果について述べる。
論文 参考訳（メタデータ） (2022-05-18T18:25:21Z) - Distributional Gradient Boosting Machines [77.34726150561087]
私たちのフレームワークはXGBoostとLightGBMをベースにしています。
我々は,このフレームワークが最先端の予測精度を実現することを示す。
論文 参考訳（メタデータ） (2022-04-02T06:32:19Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Should Ensemble Members Be Calibrated? [16.331175260764]
現代のディープニューラルネットワークはしばしば、キャリブレーションが不十分であることが観察される。
ディープラーニングアプローチは、多数のモデルパラメータを利用する。
本稿では,キャリブレーション方式の深層アンサンブルへの適用について検討する。
論文 参考訳（メタデータ） (2021-01-13T23:59:00Z) - From interpretability to inference: an estimation framework for universal approximators [0.0]
広義の普遍近似器を用いた推定と推定のための新しいフレームワークを提案する。
推論は個々のシェープ成分のバイアスと分散特性の分析に依存する。
論文 参考訳（メタデータ） (2019-03-11T10:37:05Z)
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。