Feb, 2024

基于逆鉴定编程的概率约束优化

PDF
TL;DR基于对可信度预测 (CP) 的进展，我们提出了一种名为可信度预测编程 (CPP) 的方法，用于解决具有非线性约束函数和任意随机参数影响的机会约束优化问题 (CCO)。CPP 利用这些随机参数的样本和量化引理 (对于 CP 来说至关重要)，将 CCO 问题转化为确定性优化问题。我们还通过两个容易处理的重构 CPP：(1) 将量化引理写成一个线性规划问题及其 KKT 条件 (CPP-KKT)，(2) 使用混合整数规划 (CPP-MIP)。CPP 对 CCO 问题具有边际概率可行性保证，这与现有方法 (如样本近似和方案方法) 在概念上不同。虽然我们探讨了与样本近似方法的算法相似性，但我们强调 CPP 的优势在于它可以轻松扩展以包含不同的 CP 变体。为了说明这一点，我们提出了鲁棒可信度预测编程，以处理 CCO 问题中不确定参数的分布变化。
发现论文，激发创造
  • 共形上下文鲁棒优化

    基于数据驱动的方法预测后优化决策问题，使用非凸生成模型的情景预测区域构建了 Conformal-Predict-Then-Optimize（CPO）框架，保证了鲁棒性，并通过提供可视化的不确定性区域的语义化摘要，为最优决策提供了定性的直觉。

    Oct, 2023

  • 概率鲁棒一致预测

    概率鲁棒性调和的效果超过了标准的鲁棒性分类器和对抗性鲁棒性分类器，通过提供候选标签预测集合并对数据和扰动设定两个平行阈值，将概率鲁棒性调和引入到机器学习的不确定性量化框架中。

    Jul, 2023

  • 信息论视角下的符合预测

    本研究利用信息论来将符合预测与其他不确定性概念相联系，并证明了三种不同的方法来上界内在不确定性，同时通过符合预测和信息论不等式的组合，实现了两种直接有用的应用：（i）更规范和有效的符合训练目标，从头开始实现机器学习模型的端到端训练，（ii）将旁路信息纳入符合预测的自然机制。我们在集中式和联邦学习环境中进行了实证验证，并证明了我们的理论结果能够转化为流行的符合预测方法的低效性（平均预测集大小）。

    May, 2024

  • 电力市场中光伏发电的随机决策的一致性预测

    该论文研究了使用符合性预测（CP）这种新兴的概率预测方法对光伏发电功率进行次日预测，以提高其参与电力市场的效果。研究结果表明，将 CP 与最近邻和 / 或 Mondrian binning 相结合优于线性分位数回归器，将 CP 与特定的竞标策略相结合，可以在最小化能量不平衡的同时获得高利润。

    Mar, 2024

  • 基于回归与分类的一致性预测

    将回归转化为分类问题，并使用分类的合作预测，以获取回归的合作预测集。

    Apr, 2024

  • 稳定的共形预测集

    本论文将 CP 技术与经典算法稳定性界限相结合，提出了一种置信区间集合，可用单一模型拟合计算，并证明了该方法能够保证精度，避免了数据分割的需求，成功解决了传统方法无法处理连续未知变量 y_n+1 的瓶颈问题。

    Dec, 2021

  • 可验证的强健拟合预测

    使用最新的神经网络验证方法，基于 VRCP（可验证鲁棒性适应预测）框架，本文提出了一种新的方法，用于恢复在遭受对抗攻击时的预测覆盖率保证，并支持任意范数的扰动和回归任务，实验结果表明，在图像分类和强化学习环境的回归任务中，VRCP 方法达到了超过标称覆盖率的结果，并且比目前最先进的方法更高效且信息量更丰富。

    May, 2024

  • 使用线性互补规划的时间序列同伦预测区域

    提出了基于优化的方法，将预测误差参数化处理以减小保守性，扩展了应用 Conformal prediction 算法于使用学习器的时间序列预测模型的应用场景，并且在行人轨迹预测方面证明了其有效性。

    Apr, 2023

  • 有条件有效的概率拟合预测

    我们开发了一种新方法来创建预测集，它结合了符合性方法的灵活性和条件分布 P（Y | X）的估计。我们的方法扩展了现有方法，实现了条件覆盖，这对许多实际应用至关重要。我们提供了非渐近界限，明确依赖于对条件分布的可用估计的质量，使得我们的置信集在数据的局部结构上高度自适应，特别适用于高异方差情况。通过广泛的模拟，我们证明了我们的方法的有效性，显示其在条件覆盖和统计推断的可靠性方面优于现有方法，在各种应用中提高了统计推断的可靠性。

    Jul, 2024

  • 数据异质性下的高效符合性预测

    一种对数据不可交换性建立了有效的置信区间的新方法，并在联邦学习中的数据异质性下构建了个性化预测集合，通过实验验证了该方法的有效性。

    Dec, 2023