Jan, 2021

在线多值学习：均值、矩和预测区间

PDF
TL;DR提出了一种通用的有效技术，用于提供多值上下文预测，可以针对在线选择的对手样例 $(x,y)$ 在各种意义上提供 ' 多个有效性 '，其中结果估计正确地预测标签 y 的各种统计信息，甚至在线对抗情况下运用此算法也可以给黑盒算法的预测的不确定性提供非常通用的技巧。
contextual predictionsmultivalidityadversarial examplesonline algorithmsprediction intervals
发现论文，激发创造
  • 动量多校准方法用于不确定性估计

    通过多校准算法，我们不仅能预测标签分布的期望值，还能预测更高阶矩，这为在各个子群体上估计不确定性和诊断特征的不公平性提供了一个原则性的方法。

    Aug, 2020

  • 甲骨文高效在线多校准与全球预测

    我们提出了一种新的在线多校准算法，适用于无限的基准类 $F$，并且是基于预言机的高效算法，可同时为所有 Lipschitz 凸损失函数提供无悔承诺。

    Jul, 2023

  • 通过强适应在线学习改进在线置信预测

    研究在线情况下的不确定性量化问题，提出新的自适应后悔最小化算法用于在线共形预测，证明了该方法实现了近似最优的自适应后悔和适当的预测覆盖，同时在时间序列预测和图像分类等实际任务上对现有方法具有明显的优势。

    Feb, 2023

  • 多类别和多标签预测中的有效和验证置信集

    本文介绍一种基于分位数回归和树状结构分类器的符合性预测方法，可以有效解决多分类和多标签问题中难易样本分布不均匀、信心区间过大等挑战，且可以和任何分类模型结合使用并保证有效性。

    Apr, 2020

  • 利用辅助区间预测器通过不确定性匹配构建校准的深度模型

    为了解决深度学习模型不确定性的问题，开发了一种新的方法来构建校准的估计器，通过预测模型和区间估计模型交互，显著提高了回归、时间序列预测和对象定位等任务的效果和校准能力。

    Sep, 2019

  • 在线预测线性回归

    通过在线协议，本文针对线性回归问题中的预测版本进行了研究，提出了一种预测方法，能够在参数估计之前找到相关的预测间隔，最终得到的错误率符合预期的统计波动性。

    Jun, 2009

  • 具有不确定性量化预测的在线算法

    如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

    Oct, 2023

  • 分布式适应性预测

    本研究提出了一种基于条件分布模型（如分位数和分布回归）构建有条件有效的预测区间的健壮方法，可以应用于横截面预测、k 步预测、合成控制和反事实预测、个体治疗效果预测等重要预测问题。

    Sep, 2019

  • 无分布偏差，控制风险的预测集

    本文介绍了一种基于黑盒预测器实现集值预测、控制用户指定水平下的未来测试点期望损失大小以及使用 holdout 集来校准优化预测集大小的方法，这种方法能够提供简单、分布自由和严密的误差控制，适用于多个任务，如分类问题、多标记分类、分类问题中带有层次结构的标签、图像分割和蛋白质结构预测，还有拓展探讨。

    Jan, 2021

  • 预测区间的判别式学习

    本文提出了一种区分学习框架，它在区间大小预算约束下，优化预期错误率，以构建归纳批处理中的预测区间。通过专注于预期误差，我们的方法允许条件错误率的变异性，这可以提高整体准确性或者减少平均区间大小。虽然我们考虑的问题是回归型的，但我们使用的损失是组合型的，这使我们能够提供 PAC 样式的有限样本保证。

    Oct, 2017