May, 2024

本地化自适应风险控制

PDF
TL;DR在线校准的自适应风险控制 (ARC) 是一种基于集合预测的在线校准策略，提供最坏情况下确定性的长期风险控制以及统计边际覆盖保证。本文介绍了局部自适应风险控制 (L-ARC)，这是一种针对统计局部风险保证（从条件风险到边际风险）的在线校准方案，同时保持了 ARC 的最坏情况下的性能。L-ARC 在重构核希尔伯特空间 (RKHS) 中更新阈值函数，其中核函数确定了统计风险保证的局部化程度。理论结果显示了统计风险局部化与长期风险目标收敛速度之间的权衡。通过实验表明，由于局部化，L-ARC 能够在不同的数据子种群之间产生具有风险保证的预测集，从而显著提高了用于图像分割和无线网络中的波束选择等任务的校准模型的公平性。
adaptive risk controlonline calibrationlocalized risk guaranteesreproducing kernel hilbert spacefairness
发现论文，激发创造
  • 强化学习自适应控制正则化在关键系统安全控制中的应用

    强化学习是控制动态系统的强大方法，但其学习机制可能导致不可预测的行为，从而损害关键系统的安全性。本文中，我们提出了一种具有自适应控制正则化的强化学习方法（RL-ACR），通过将强化学习策略与控制正则化器结合起来，确保强化学习的安全性，并对预测的系统行为应用安全约束。我们使用可学习的 “聚焦” 权重来实现适应性，该权重通过训练来最大化策略组合的累积奖励。随着离策略学习中强化学习策略的改进，聚焦权重改进了初始亚最优策略，逐渐更多地依赖强化学习策略。我们在关键医疗控制应用中展示了 RL-ACR 的有效性，并进一步研究了其在四个经典控制环境中的性能。

    Apr, 2024

  • 学习再测试：校准预测算法以实现风险控制

    介绍了一种框架，用于通过多重假设检验重新定义风险控制问题来校准机器学习模型，从而保证其预测结果符合明确的统计保证。

    Oct, 2021

  • 自适应适应性风险控制

    基于 Gibbs 等人最近的研究工作 [2023]，我们提出一种方法来实现对统计风险（损失函数的期望值）的近似条件控制，通过适应测试样本的困难程度，实现了对回归和分割任务的细粒度控制，通过持续监测和调整这些参数，我们可以达到比传统风险控制方法更高的精确度。

    Jun, 2024

  • 以代理人为中心的风险评估：事故预测和危险区域定位

    提出了一种基于软关注机制的循环神经网络模型，用于分析事故的发生概率和发生位置，实验证明该方法在两个数据集上均优于其他基准模型。

    May, 2017

  • 主动的、随时有效的风险控制预测集

    在黑盒机器学习模型中严格确保关键风险度量的安全性对于提供模型行为的保证非常重要。本文在 Bates 等人（JACM '24）的基础上引入了风险控制预测集（RCPS）的概念，用于生成统计上保证低风险的机器学习模型的预测集。我们的方法将这个概念扩展到顺序设置，即使在数据被自适应收集的情况下，我们也能提供保证，并确保风险保证在所有时间步骤同时成立。此外，我们提出了一个框架，用于构建用于主动标记的 RCPS，即允许使用选择是否查询每个接收到的数据点的真实标签的标记策略，并确保标签查询的预期比例低于预定的标签预算。我们还描述了如何使用预测器（即我们为其提供风险控制保证的机器学习模型）来进一步改善我们的 RCPS 的效用，通过对协变量的条件风险进行估计。我们对于固定标签预算下标签策略和预测器的最优选择进行了表征，并展示了一个后悔结果，将最优标记策略和预测器的估计误差与支撑我们的 RCPS 的财富过程联系起来。最后，我们提出了一种实际的标记策略形成方法，并在模拟和真实数据上实证表明我们的标记策略使用更少的标签获得更高的效用，相比于天真的基准标记策略（如标记所有点、随机标记点）。

    Jun, 2024

  • 交叉验证合规风险控制

    基于交叉验证的新型决策风险控制（CV-CRC）方法确保了一组从点预测器中提取的预测器的校准性，减少了数据集分割限制并降低了平均集合规模。

    Jan, 2024

  • 风险受控图像检索

    提出了一种基于风险控制的图像检索方法 (RCIR)，该方法可以保证以预定义的概率包含原始的真实检索结果，并在四个真实数据集中进行了验证。

    Jul, 2023

  • SafeAR：通过风险感知策略实现更安全的算法补救

    通过计算具有风险考虑的途径，这篇论文旨在为那些受到机器学习模型决策不利影响的个体提供补救建议，以便改善他们的处境并获得有利的决策。

    Aug, 2023

  • CAS：一种具有 FCR 控制的在线选择性符合预测的通用算法

    我们研究了在线情况下的后选择预测推理问题。我们开发了一个名为 CAS（自适应选择后校准）的通用框架，可包装任何预测模型和在线选择规则，以输出后选择的预测区间。

    Mar, 2024

  • 基于表示学习的局部线性控制预测、一致性和曲率

    通过嵌入高维观测结果到低维的潜在表示空间，利用局部线性控制算法（如 iLQR）的学习表示方法在优化控制的角度下进行了阐述，同时提出了准确预测、潜在空间动态一致性和潜在空间转换低曲率三个组成元素

    Sep, 2019