本文提出了一种选择自适应窗口并利用其中的数据构建预测集的策略,通过优化估计的偏差 - 方差平衡来选择窗口,并为该方法提供了明确的覆盖保证,展示了其对潜在时间漂移的适应性。通过对合成和实际数据进行数值实验,验证了其有效性。
Jun, 2024
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
本文研究随机程序的优化问题,其中决策者不能观察到外生不确定性的分布,但可以访问此分布的有限样本。作者提出了一种元优化问题来找到最不保守的预测器和处方器,以及遵守它们的样本外失望约束。利用大偏差理论的工具,作者证明了该元优化问题有唯一解。最佳预测器 - 处方器对可以通过在距离数据的经验分布一定的相对熵距离内的所有分布上求解一个分布的鲁棒优化问题来获得。
Apr, 2017
我们提出了一个采用深度强化学习的框架,通过相干畸变风险度量考虑模型不确定性的风险规避观点,并表明我们的公式等价于具有性能和安全保障的分布鲁棒安全强化学习问题,并展示了我们框架在 Real-World 强化学习套件中各种具有安全约束的连续控制任务上产生了稳健安全的表现。
Jan, 2023
在机器学习应用中,我们提出了一种风险规避的训练模型的方法,它通过优化在最难的样本上的表现来提高模型的稳定性和可预测性,关键是利用分布式随机优化算法和结构化行列式点过程进行大规模的学习任务。
Oct, 2019
本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型,使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集,通过估计数据漂移量建立了鲁棒性,并在多个基准数据集上进行了实验证明了该方法的重要性。
Aug, 2020
本文提出了 CUQDS 框架,该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性,并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。
智能系统需要进行预测,在给定一些输入的情况下,可以预测相应的结果。大部分监督学习的工作都侧重于为每个输入产生准确的边际预测,但我们表明,在广泛的决策问题类中,需要准确的联合预测才能提供良好的性能。尤其是对组合决策问题,顺序预测和多臂老虎机等问题,我们建立了几个相关结果,说明联合预测分布的重要作用。我们的多臂老虎机处理引入了一种近似 Thompson 抽样算法和分析技术,导致了一种新的遗憾边界。
Jul, 2021
通过将贝叶斯优化方法与严格的风险控制程序相结合,我们寻找一种满足用户指定风险限制的配置,同时在其他冲突指标方面也具有有用性,并展示了在多种任务中的有效性。
Dec, 2023
提出了一种基于统计方法的神经网络预测间隔构造方法,旨在解决其他相关研究的局限性,提供更为准确的预测区间并保证预测精度,该方法易于实施且适用于大多数深度神经网络。
May, 2019