論文の概要: Credal Machine Learning for Risk-Averse Decision Making
- arxiv url: http://arxiv.org/abs/2610.12115v1
- Date: Thu, 08 Oct 2026 15:11:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.110078
- Title: Credal Machine Learning for Risk-Averse Decision Making
- Title（参考訳）: リスク逆決定のためのクレダル機械学習
- Abstract要約: 機械学習アプリケーションでは、最悪のシナリオや予測に対して、かなりの損失をもたらす可能性があることを避ける必要がある。
我々は,干潟集合の形で予測を生成できる,効率的で信頼性の高い学習者を開発した。
分類、分布シフト、強化学習などを通じて、我々のアプローチは破滅的な決定を確実に避ける。
- 参考スコア（独自算出の注目度）: 28.28439197153783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In many machine learning applications, it is necessary to guard against worst-case scenarios and predictions that could result in substantial losses. In principle, this can be achieved by training risk-averse predictive models that minimize loss functions such as conditional value-at-risk (CVaR), rather than relying on models that perform well on average. In practice, however, the effectiveness of this approach to risk aversion is undermined by the learner's uncertainty regarding the true loss distribution and, consequently, the true CVaR. To achieve reliable risk-aversion, we propose a method in which this (epistemic) uncertainty is represented in terms of credal sets, i.e., sets of probability distributions. More specifically, we develop an efficient yet reliable learner that produces predictions in the form of credal sets and combine it with a novel decision rule that maps each credal set to a single predictive distribution for CVaR minimization. Across classification, under distribution shift, and in reinforcement learning, our approach reliably avoids catastrophic decisions, while sacrificing little in expected performance.
- Abstract（参考訳）: 多くの機械学習アプリケーションでは、最悪のシナリオや予測を守らなければならない。
原則として、これは平均的によく機能するモデルに頼るのではなく、条件付き値-リスク(CVaR)のような損失関数を最小限に抑えるリスク-逆予測モデルを訓練することで達成できる。
しかし、実際には、真の損失分布に関する学習者の不確実性により、リスク回避に対するこのアプローチの有効性が損なわれ、結果として真のCVaRとなる。
信頼性の高いリスク・アバージョンを実現するために,この不確実性を,不規則な集合,すなわち確率分布の集合で表す手法を提案する。
より具体的には, CVaR 最小化のための単一予測分布に各クレダル集合をマッピングする新しい決定規則を組み合わさった, より効率的かつ信頼性の高い学習者を開発する。
本手法は, 分類, 分布シフト, 強化学習において, 予測性能を損なうことなく, 破滅的な決定を確実に回避する。
関連論文リスト
- Efficient Credal Prediction through Decalibration [27.17944683306638]
本稿では, 相対的可能性の概念を基礎として, 断裂予測を効率的に行う方法を提案する。
提案手法は, 多様なタスクにまたがって, 高い性能でクレーダル集合を生成することを示す。
特に,TabPFNやCLIPなどのモデルに対して,致命的な予測を示す。
論文 参考訳（メタデータ） (2026-03-09T15:30:10Z) - Conformal Risk Training: End-to-End Optimization of Conformal Risk Control [41.45834526675908]
我々は,モデルトレーニングや微調整において,コンフォーマルなOCEリスク制御を通じて区別する,エンドツーエンドのアプローチである「コンフォーマルリスクトレーニング」を導入する。
提案手法は,実証可能なリスク保証を実現するとともに,ポストホック手法よりも平均ケース性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2025-10-09T19:05:45Z) - Distribution-free risk assessment of regression-based machine learning
algorithms [6.507711025292814]
我々は回帰アルゴリズムとモデル予測の周囲に定義された区間内に存在する真のラベルの確率を計算するリスク評価タスクに焦点をあてる。
そこで,本研究では,正のラベルを所定の確率で含むことが保証される予測区間を提供する共形予測手法を用いてリスク評価問題を解決する。
論文 参考訳（メタデータ） (2023-10-05T13:57:24Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - Learning from a Biased Sample [2.7728441305894447]
本稿では,テスト分布のファミリーで発生する最悪のリスクを最小限に抑える決定ルールの学習方法を提案する。
本研究では,健康調査データからメンタルヘルススコアの予測を行うケーススタディにおいて,提案手法を実証的に検証した。
論文 参考訳（メタデータ） (2022-09-05T04:19:16Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳（メタデータ） (2021-09-22T12:46:04Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳（メタデータ） (2020-06-15T05:25:02Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳（メタデータ） (2020-06-12T12:23:50Z)
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。