本論文では、コンフォーマル予測の問題に取り組み、予測モデルの不確実性を学習することで、より正確な条件付き保証を提供する手法を提案している。
まず、コンフォーマル予測の背景と課題を説明する。従来のコンフォーマル予測手法は、限界があり、特定のサブグループや状況下での有効な予測セットを構築できない。そこで本論文では、データから予測モデルの不確実性を表す特徴を学習し、それに基づいて予測セットを構築する手法を提案する。
具体的には、コバリエイト空間を複数のグループに分割し、各グループごとに最適な予測セットを構築する。グループ分割は、コンフォーミティスコアの条件付き分布の違いを最小化するように学習する。この最適化問題を効率的に解くアルゴリズムを提案し、理論的な保証も示す。
実験では、様々なデータセットを用いて提案手法の有効性を確認している。従来手法と比較して、条件付き保証と予測セットの長さの両面で優れた性能を示している。特に、事前に定義されたグループ構造を必要としない点が特徴的である。
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies