論文の概要: Towards Calibrated Probabilistic Forecasts for Events of Interest via Outcome-Conditional Recalibration
- arxiv url: http://arxiv.org/abs/2610.10076v1
- Date: Wed, 07 Oct 2026 13:41:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.939749
- Title: Towards Calibrated Probabilistic Forecasts for Events of Interest via Outcome-Conditional Recalibration
- Title（参考訳）: アウトカム・コンディション・リカレーションによる利害関係者の確率予測の校正に向けて
- Abstract要約: 結果空間のユーザ定義領域の予測を補正するポストホック手法である、結果条件の校正を導入する。
提案手法は,既存の条件および非条件の校正手法と比較して,結果条件の校正を改善するとともに,総合的に競争的校正を保ちながら,結果条件の校正を改善する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Calibration is an essential requirement for probabilistic predictions to be useful for decision making. While state-of-the-art prediction methods often yield miscalibrated predictive distributions, several post-hoc recalibration schemes have been proposed to generate calibrated predictions. However, popular recalibration schemes can conceal miscalibration in specific regions of the outcome space. Since particular outcomes, such as extreme events, often matter most for decision making, probabilistic predictions should be calibrated when evaluation is restricted to these outcomes. Hence, in this paper, we introduce outcome-conditional recalibration, a post-hoc method to recalibrate probabilistic predictions on user-defined regions of the outcome space. The method is simple, easy to implement, and can be applied to arbitrary predictive distributions. It works by applying the quantile recalibration approach of Kuleshov et al. (2018) to forecast conditional distributions, before rescaling these conditional distributions so that forecast event probabilities match empirical occurrence frequencies. This produces valid and continuous predictive distributions that are calibrated within each region of interest. Across regression benchmarks, we demonstrate that existing recalibration schemes do not necessarily yield calibrated predictions when interest is on particular outcomes, and that our approach improves outcome-conditional calibration relative to existing conditional and unconditional recalibration methods, while retaining competitive calibration overall. In an application to day-ahead electricity price forecasting, the approach substantially improves calibration when predicting negative prices, at negligible cost to forecast accuracy.
- Abstract（参考訳）: キャリブレーションは、確率論的予測が意思決定に有用であるためには必須の要件である。
最先端予測法はしばしば誤校正予測分布を生成するが、校正予測を生成するためにいくつかのポストホック校正スキームが提案されている。
しかし、一般的な校正スキームは結果空間の特定の領域における誤校正を隠蔽することができる。
極端な出来事のような特定の結果はしばしば意思決定において重要であるので、確率的予測はこれらの結果に制限された場合に校正されるべきである。
そこで本稿では,ユーザが定義した結果空間の確率的予測を補正するポストホック手法である,結果条件の補正を導入する。
この方法は単純で実装が容易であり、任意の予測分布に適用できる。
この手法は、Kuleshov et al (2018) の量子校正手法を条件分布の予測に適用し、これらの条件分布を再スケーリングし、予測事象確率が経験的発生頻度と一致するようにする。
これにより、興味のある領域ごとにキャリブレーションされた有効かつ連続的な予測分布が生成される。
回帰ベンチマークを通じて、既存の校正手法は、特定の結果に利害関係がある場合、必ずしも校正された予測を得られず、既存の条件と非条件の校正手法と比較して結果条件の校正を改善するとともに、総合的に競争的な校正を保ちながら、結果条件の校正を改善することを実証した。
日頭電気価格予測への応用においては, 負の価格予測におけるキャリブレーションを大幅に改善し, 精度の予測には無視できるコストがかかる。
関連論文リスト
- Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。
推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
論文 参考訳（メタデータ） (2026-09-29T22:47:10Z) - When Can We Reuse a Calibration Set for Multiple Conformal Predictions? [0.0]
我々は,e-conformal predictionとHoeffdingの不等式が組み合わさって,単一校正集合の繰り返し使用を可能にすることを示す。
我々は、ディープニューラルネットワークをトレーニングし、キャリブレーションセットを使用して、Hoeffdingの補正を推定する。
この補正により、修正マルコフの不等式を適用することができ、定量化された信頼度を持つ予測セットを構築することができる。
論文 参考訳（メタデータ） (2025-06-24T14:57:25Z) - Enforcing tail calibration when training probabilistic forecast models [0.0]
本研究では,確率予測モデルの学習に使用する損失関数を用いて,極端な事象に対する予測の信頼性を向上させる方法について検討する。
我々は,最先端モデルが極端風速のキャリブレーション予測を発行しないことを示すとともに,モデルトレーニング中の損失関数への適切な適応により,極端事象のキャリブレーションを改善することができることを示した。
論文 参考訳（メタデータ） (2025-06-16T16:51:06Z) - Generalized Venn and Venn-Abers Calibration with Applications in Conformal Prediction [0.0]
我々は、Vovkのアプローチを二項分類を超えて拡張する、Venn-Abersキャリブレーションのための統一的なフレームワークを導入する。
提案手法は,任意の完全サンプル内キャリブレーションされた予測器を,有限サンプルにおいて少なくとも1つの限界点予測を出力するセット値予測器に変換する。
量子損失に対して,本フレームワークは,グループ条件とマルチキャリブレーションされた共形予測を特殊ケースとして回収し,量子条件のカバレッジで新しい予測区間を生成する。
論文 参考訳（メタデータ） (2025-02-08T19:52:59Z) - 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) - Self-Calibrating Conformal Prediction [16.606421967131524]
本稿では,これらの予測に対して有限サンプル妥当性条件付き予測間隔とともに,校正点予測を実現するための自己校正等式予測を提案する。
本手法は,モデルキャリブレーションによりキャリブレーション間隔効率を向上し,特徴条件の妥当性に対して実用的な代替手段を提供する。
論文 参考訳（メタデータ） (2024-02-11T21:12:21Z) - 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) - Posterior Probability Matters: Doubly-Adaptive Calibration for Neural Predictions in Online Advertising [29.80454356173723]
フィールドレベルのキャリブレーションはきめ細やかで実用的だ。
AdaCalibは、モデル予測をキャリブレーションするためにイソトニック関数ファミリーを学ぶ。
実験では、AdaCalibが校正性能を大幅に改善することを確認した。
論文 参考訳（メタデータ） (2022-05-15T14:27:19Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - 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)
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。