論文の概要: Truthful Calibration Measures for Sequential Prediction
- arxiv url: http://arxiv.org/abs/2608.21348v1
- Date: Fri, 21 Aug 2026 17:54:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.669829
- Title: Truthful Calibration Measures for Sequential Prediction
- Title（参考訳）: シークエンシャル予測のための真正な校正対策
- Abstract要約: Haghtalab et al. (2024) は、オンライン予測のためのほぼ真正な校正法を提案した。
真理性は完全性と健全性とは相容れないことを示す。
これにより、Hagtalab et al. (2024) のほぼ完全な保証が改善される。
- 参考スコア（独自算出の注目度）: 8.460909231095966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Calibration requires probabilistic reports to be conditionally unbiased and reliably interpretable as probabilities. A calibration measure assigns numerical error to miscalibrated reports. Haghtalab et al. (2024) proposed an approximately truthful calibration measure for online prediction, leaving open whether exact truthfulness is compatible with completeness and soundness. We resolve this question negatively for sequential binary prediction: exact truthfulness is incompatible with completeness and soundness, even for independent outcomes. We then show that this impossibility is specific to exact truthfulness. We give two general reductions from a base calibration measure, producing additively and multiplicatively approximately truthful calibration measures, respectively. Applying the multiplicative reduction, for every $0 < \varepsilon < 1$ we construct a sound and complete calibration measure that is $(1+\exp(-T^{(1-\varepsilon)/2}/2))$-multiplicatively truthful. This improves the approximate-truthfulness guarantee of Haghtalab et al. (2024).
- Abstract（参考訳）: 校正には、確率的報告は条件的に偏りがなく、確率として確実に解釈される必要がある。
校正基準は、誤校正された報告に数値誤差を割り当てる。
Haghtalab et al (2024) は、オンライン予測のためのほぼ真正なキャリブレーション尺度を提案し、真正さが完全性と健全性に相容れないかどうかを明言した。
真理性は完全性や健全性とは相容れないが、独立な結果に対しても矛盾する。
そして、この不合理性は真理性に特有であることを示す。
ベースキャリブレーション尺度から2つの一般還元を行い, それぞれ正則キャリブレーション尺度を加算的に, 乗算的にほぼ正則なキャリブレーション尺度を作成した。
乗法還元を適用すると、各$0 < \varepsilon < 1$ に対して、$(1+\exp(-T^{(1-\varepsilon)/2}/2))$-multiplicatively truthful という音と完備な校正測度を構築する。
これにより、Hagtalab et al (2024) のほぼ完全な保証が向上する。
関連論文リスト
- Testable and Actionable Calibration for Full Swap Regret [14.699455652461724]
いずれの要件も弱めずに完全に動作可能であることを証明した,新たな校正基準であるSCDL(Soft-Binned Decision Loss)を導入する。
SCDLは連続性や一貫性といった他の望ましい特性を満たす。
論文 参考訳（メタデータ） (2026-05-18T02:04:08Z) - Making and Evaluating Calibrated Forecasts [10.153382419318023]
マルチクラス予測タスクに対して,完全真正なキャリブレーション尺度を導入する。
我々は,キャリブレーション法が優れたロバスト性を示すことを数学的に証明し,実証的に検証する。
この結果は、binned ECEの非ロバスト性問題に対処する。
論文 参考訳（メタデータ） (2025-10-07T19:11:03Z) - A Perfectly Truthful Calibration Measure [9.916245963243542]
キャリブレーション測度は、予測器が完璧なキャリブレーションからの距離を定量化する。
バッチ設定で、単純で、完全で、誠実で、健全で完全な校正尺度を設計する。
論文 参考訳（メタデータ） (2025-08-18T17:09:34Z) - Truthfulness of Decision-Theoretic Calibration Measures [5.414308305392762]
サブサンプリングステップキャリブレーションと呼ばれる新たなキャリブレーション尺度である$mathsfStepCEtextsfsub$を導入する。
特に、任意の積分布において、$mathsfStepCEtextsfsub$は$O(1)$ factorまで真であるのに対し、事前決定理論の校正策は$e-Omega(T)$-$Omega(sqrtT)$ truthfulness gapに苦しむ。
論文 参考訳（メタデータ） (2025-03-04T08:20:10Z) - 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) - Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。
我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
論文 参考訳（メタデータ） (2024-05-22T18:52:09Z) - 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) - T-Cal: An optimal test for the calibration of predictive models [49.11538724574202]
有限検証データセットを用いた予測モデルの誤校正を仮説検証問題として検討する。
誤校正の検出は、クラスの条件付き確率が予測の十分滑らかな関数である場合にのみ可能である。
我々は、$ell$-Expected Error(ECE)のデバイアスドプラグイン推定器に基づくキャリブレーションのためのミニマックステストであるT-Calを提案する。
論文 参考訳（メタデータ） (2022-03-03T16:58:54Z) - 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) - 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。