論文の概要: A Unifying Perspective on Probabilities as Model Predictions

• arxiv url: http://arxiv.org/abs/2609.09855v1
• Date: Wed, 09 Sep 2026 08:07:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.947002
• Title: A Unifying Perspective on Probabilities as Model Predictions
• Title（参考訳）: モデル予測としての確率の統一的展望
• Authors: Benedikt Höltgen,
• Abstract要約: あらゆる確率はエンプレディション法の出力であると主張する。 客観的ともいわれるものでさえ、モデル依存であることを示す。
• 参考スコア（独自算出の注目度）: 0.27689558531442177
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Although probabilistic statements are ubiquitous, foundational disagreements persist about their understanding, as exemplified by debates between Bayesians and frequentists; moreover, it is unclear when and why acting on them actually leads to desirable outcomes. Here, we argue that every probability is the output of a \emph{prediction method}, that is, it depends on both a particular way of constructing abstractions and a way of transforming them into predictions. Through this, we provide a unifying perspective on supposedly different kinds of probabilities and show that even supposedly objective ones are model-dependent. We demonstrate that when a finite calibration criterion is met, one can anticipate the distribution of utilities for a given policy and inform successful decision-making on finite sets of events. Based on the notion of prediction methods, inductive arguments, and the probability calculus, we explain the feasibility of the calibration criterion in many settings. Overall, we develop a coherent perspective on probabilities and their use, connecting key intuitions behind other interpretations along the way.
• Abstract（参考訳）: 確率論的な主張はユビキタスであるが、ベイズ派と頻繁派の間で議論されているように、基礎的な意見の相違が続く。 ここでは、全ての確率は \emph{prediction method} の出力であり、すなわち、抽象を構成する特定の方法とそれらを予測に変換する方法の両方に依存する。 そこで本研究では,異なる種類の確率を示す統一的な視点を提示し,対象がモデル依存であることを示す。 有限キャリブレーション基準が満たされた場合、与えられたポリシーに対するユーティリティの分布を予測し、有限の事象に対して意思決定を成功させることを実証する。 予測法,帰納的議論,確率計算の概念に基づいて,多くの設定で校正基準の実現可能性を説明する。 全体として、確率とその使用に関するコヒーレントな視点を発達させ、その過程で他の解釈の背後にある重要な直観を結び付ける。

関連論文リスト

• How to Verify Consistency of Probabilistic Claims [49.47758039235095]
  予測モデルの一貫性を証明するために,対話型PCPを構築する。 添加音の小さなギャップがBへの依存を除去することを示す。 我々は,対話型PCPを,自身の一貫性を証明するための予測モデルに向けた第一歩だと考えている。
  論文  参考訳（メタデータ） (2026-08-11T17:41:39Z)
• Revisiting Active Sequential Prediction-Powered Mean Estimation [6.660458629649825]
  我々は、推定器の非漸近解析を開発し、その信頼区間にデータ依存のバウンダリを確立する。 さらに,クエリ確率を決定するために非regret学習アプローチを用いると,クエリ確率はクエリ確率の最大値の制約に収束することを示す。
  論文  参考訳（メタデータ） (2026-04-20T17:55:17Z)
• Invariant Probabilistic Prediction [45.90606906307022]
  任意の分布シフトは、一般に不変かつ頑健な確率的予測を認めないことを示す。 Invariant probabilistic predictions called IPP, and study the consistency of the underlying parameters。
  論文  参考訳（メタデータ） (2023-09-18T18:50:24Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• Uncertain Evidence in Probabilistic Models and Stochastic Simulators [80.40110074847527]
  我々は、不確実性を伴う観測を伴う確率論的モデルにおいて、ベイズ的推論を行うという問題について考察する。 我々は、不確実な証拠をどう解釈するかを探求し、潜伏変数の推論に関連する適切な解釈の重要性を拡大する。 我々は、不確実な証拠を説明するための具体的なガイドラインを考案し、特に一貫性に関する新しい洞察を提供する。
  論文  参考訳（メタデータ） (2022-10-21T20:32:59Z)
• Reconciling Individual Probability Forecasts [78.0074061846588]
  データに同意する2つの当事者は、個々の確率をモデル化する方法に異を唱えることができない。 個々の確率は不可知であるが、計算的かつデータ効率のよいプロセスで競合できると結論付ける。
  論文  参考訳（メタデータ） (2022-09-04T20:20:35Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
  確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。 ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。 そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
  論文  参考訳（メタデータ） (2021-02-22T10:03:15Z)

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。