論文の概要: Selective Prediction Intervals: Jointly Learning to Predict, Bound, and Abstain

• arxiv url: http://arxiv.org/abs/2611.06158v1
• Date: Wed, 04 Nov 2026 08:39:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.029801
• Title: Selective Prediction Intervals: Jointly Learning to Predict, Bound, and Abstain
• Title（参考訳）: 選択予測区間:予測・境界・不確かさを共同学習する
• Abstract要約: 我々はSelPIを導入し,SelPIは1つの損失を伴ってインターバル,バリュー,アテンションヘッドを訓練する。 我々は,SelPIがデータセット毎の深いアンサンブル不一致によって選択に勝っていることを示す。
• 参考スコア（独自算出の注目度）: 3.845877724862319
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many high-stakes regression decisions ask three things of a model at once: a point estimate to act on, an interval that bounds the risk of acting, and the option to abstain when neither can be trusted. Deep learning provides these in isolation: prediction-interval methods return an interval, and at best a value estimate inside it, for every input, while selective-prediction methods learn when to abstain, but only for point predictions and with no statement of how far the truth may lie from the estimate. We introduce SelPI, which trains interval, value and abstention heads jointly under a single loss with an explicit acceptance-rate budget. A natural objection is that interval width already tells us when to abstain. We show that it does not: across 18 tabular benchmarks, width predicts large point errors well (AUROC 0.72) but is anti-correlated with interval misses (AUROC 0.38), so abstaining on wide intervals discards precisely the inputs the interval got right. SelPI therefore selects with two gates, one trained on the interval loss and one on the value loss, coupled by a Fr'echet penalty that ties their separate budgets to the joint acceptance rate they deliver. With the base predictor held fixed, the learned gate beats width thresholding on a proper interval score on all 18 tabular datasets, closing a median 87% of the gap to an oracle selector, and it also beats selection by deep-ensemble disagreement on every dataset. The advantage grows with the heteroscedasticity of the task, and we report the settings in which it disappears.
• Abstract（参考訳）: 多くの高い評価の回帰決定は、一度にモデルの3つのことを尋ねる: 行動すべきポイント推定、行動のリスクを制限したインターバル、信頼できないときに断絶するオプション。 深層学習(Deep Learning)はこれらを分離して提供する: 予測区間法(predict-interval method)は間隔を返し、最大ですべての入力に対してその内部の値を推定するが、選択予測法(elective-prediction method)はいつ停止するかを学習するが、ポイント予測のためだけであり、真理が推測からどこまで遠いかの言明がない。 我々は,SelPIを導入し,SelPIは1つの損失の下で,明確な受容率の予算で,インターバル,バリュー,アブサテンションヘッドを訓練する。 自然な反対は、インターバル幅がいつ停止するかをすでに教えてくれることである。 18の表型ベンチマークにおいて、幅は大きな点誤差をよく予測する(AUROC 0.72)が、間隔ミスと反相関である(AUROC 0.38)。 したがって、SelPIは2つのゲートを選択し、1つはインターバルロスで訓練され、1つはバリューロスで訓練され、Fr'echetペナルティによって、それぞれの予算を彼らが提供した共同受け入れ率に結び付ける。 ベース予測器を固定すると、学習されたゲートは18の表のすべてのデータセットの適切な間隔スコアの幅閾値を破り、ギャップの中央値の87%をオラクルセレクタに閉じる。 タスクの不整合性によって利点は増大し、その設定が消えていくことを報告します。

関連論文リスト

• Diversity-Aware Experience Replay via Statistical Leverage Scores [45.88028371034407]
  過去のリプレイバッファからランダムなサンプルを学習するオフ・プライマリ・ディープ・リジッション・ラーニング。 我々は,バッファのデータを相対的に測定する統計レバレッジにより,格納されたすべての遷移を評価することを提案する。
  論文  参考訳（メタデータ） (2026-11-04T04:18:33Z)
• What a Data Release Must Preserve for Off-Policy Evaluation [4.217526873611589]
  政治外の評価では、特定の政策値や比較が異なる決定時間履歴をマージすることで、その評価を不特定にすることができる。 識別は、各リリースレコード内でアクション固有の評価重みが一定である場合にのみ保持される。 我々はこの鋭い間隔を含むAIPWエンベロープを構築し、その結果の分布を正確に一致させる。
  論文  参考訳（メタデータ） (2026-10-11T02:27:31Z)
• Threshold-Aware Conformal Routing [17.749775900135507]
  高忠実度シミュレーションは科学的・工学的設計には不可欠であるが、繰り返し実行するには高価である。 我々は、スカラー量の利息が一定の閾値より上か下かによって決定される決定について検討する。 各入力に対して、その共形間隔がしきい値の片側にあるときにサロゲートを使用し、間隔が交差するときにその入力をシミュレーションにルーティングする。
  論文  参考訳（メタデータ） (2026-10-01T21:03:53Z)
• Verification Pulses and the Cost of Escaping Wrong Consensus [2.731113456484581]
  外的検証は、誤ったコンセンサスの盆地に自衛集団を残しながら、個々のアウトプットを補正することができる。 固定された検証予算のタイミングと対処が非同期バイナリレジスタの回復に与える影響について検討する。
  論文  参考訳（メタデータ） (2026-09-24T03:29:27Z)
• PICPIs: Prediction-Interval-Conditional Prediction Intervals [47.78682744724085]
  PICPI(Predict-Interval-Conditional Prediction Intervals)と呼ばれる予測ベースの条件付きフレームワークを提案する。 確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。
  論文  参考訳（メタデータ） (2026-09-21T20:29:47Z)
• The Extrapolation Cliff in On-Policy Distillation of Near-Deterministic Structured Outputs [52.709361620508595]
  ListOPDは、パラメータの5分の1で8B-SFTベースラインで、学生をドメイン内に持ち込む。 Amazon Fashionでは、3つの事前登録テスト — 細粒度崖間隔テスト、小さなクリップのクロス予測 — がロックされた予測ウィンドウ内に落下し、グリッド解像度以下のクローズドフォーム予測に一致する小さなクリップ値が設定されている。
  論文  参考訳（メタデータ） (2026-05-09T06:48:00Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Uniformity in Heterogeneity:Diving Deep into Count Interval Partition for Crowd Counting [56.44300325295678]
  一様誤差分割(UEP)と呼ばれる新しいカウント間隔分割基準を提案する。 MCP基準は、推論中にそのカウント値を表すために、各インターバルのベストカウントプロキシを選択する。 統一誤り分割ネットワーク(UEPNet)と呼ばれる単純で効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-27T06:24:15Z)
• Universal Off-Policy Evaluation [64.02853483874334]
  ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す 我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
  論文  参考訳（メタデータ） (2021-04-26T18:54:31Z)

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。