Core Concepts
不均一分散を持つデータに対して、正規化された適合性予測を用いることで、条件付き妥当性を持つ予測区間を構築できる。
Abstract
この論文では、適合性予測の枠組みにおいて、不均一分散を持つデータに対する条件付き妥当性について理論的および実験的に検討している。
まず、適合性予測の一般的な枠組みと、条件付き妥当性の定義について説明している。条件付き妥当性とは、データを分類する分類関数に応じて、各クラスごとに予測区間の妥当性を保証することを意味する。
次に、標準化された適合性予測と、Mondrian適合性予測について説明している。標準化された適合性予測は、データの不均一分散を明示的に考慮した方法であり、Mondrian適合性予測は、データを分類して各クラスごとに適合性予測を行う方法である。
理論的には、標準化された適合性予測が条件付き妥当性を持つための十分条件を示している。具体的には、データの条件付き分布が位置尺度族に従う場合に、標準化された適合性予測が条件付き妥当性を持つことを示している。
最後に、合成データを用いた実験により、理論的な結果を検証するとともに、適合性予測の性能を評価している。特に、パラメータの推定誤差が条件付き妥当性に与える影響について分析している。
Stats
不均一分散データにおいて、標準化された適合性予測は条件付き妥当性を持つ。
一方、パラメータの推定誤差により、条件付き妥当性が失われる可能性がある。
Quotes
"不均一分散を持つデータに対して、正規化された適合性予測を用いることで、条件付き妥当性を持つ予測区間を構築できる。"
"標準化された適合性予測が条件付き妥当性を持つための十分条件は、データの条件付き分布が位置尺度族に従うことである。"