A professionally curated list of awesome Conformal Prediction videos, tutorials, books, papers, PhD and MSc theses, articles and open-source libraries. - GitHub - valeman/awesome-conformal-predicti...
지난 두 개의 글은 뉘앙스 없이 간단한 수준에서 이러한 모든 접근 방식을 거의 모두 설명합니다. 설명하지는 않았지만 비슷하다고 가정해 봅시다. 이제 그들이 연구한 내용을 자세히 살펴보고 있습니다. 예를 들어, 귀납적 적합성과 변환적 적합성은 각 클래스 레이블에 대해 개별적으로 하나 또는 두 개의 분류기만 다릅니다. 후자는 후자를 더 잘 (더 정확하게) 추정할 수 있습니다. 그래서 저는 귀납적 방법을 사용했습니다. 더 정확한 추정을 위해 각 샘플을 추가하고 삭제하면서 모델을 재훈련하는 것도 있습니다. 비용이 많이 들지만 효율적입니다. 하지만 간단하고 빠른 분류기를 사용할 수도 있습니다. 제가 그루터기에 대한 훈련을 하면서도 쓴 적이 있습니다.
Black-box machine learning models are now routinely used in high-risk settings, like medical diagnostics, which demand uncertainty quantification to avoid consequential model failures. Conformal prediction is a user-friendly paradigm for creating statistically rigorous uncertainty sets/intervals for the predictions of such models. Critically, the sets are valid in a distribution-free sense: they possess explicit, non-asymptotic guarantees even without distributional assumptions or model assumptions. One can use conformal prediction with any pre-trained model, such as a neural network, to produce sets that are guaranteed to contain the ground truth with a user-specified probability, such as 90%. It is easy-to-understand, easy-to-use, and general, applying naturally to problems arising in the fields of computer vision, natural language processing, deep reinforcement learning, and so on. This hands-on introduction is aimed to provide the reader a working understanding of conformal...
확률적 예측과 매우 유사한 것 같지만, 서로 다른 개념이라고 쓰여 있습니다. 제가 지금까지 이해한 바로는 컨포멀은 분류에 더 특화되어 있고, 확률론은 회귀에 더 특화되어 있습니다.
감사합니다 :) 네, 비슷합니다. 그들은 분류 나 회귀가 중요하지 않다고 씁니다. 검증 네트워크에서 비교를 통해 예측에 대한 추정치를 얻는 방법은 명확합니다 ( "귀납적"의 경우, 즉 더 빠르고 간단한 방법). "귀납적"도 어느 정도 명확하지만 샘플에 있는 예제 수만큼 많은 모델을 학습해야 하기 때문에 매우 느립니다. CV와 같은 중간 변형도 있는데, 실제로 제가 직접 해봤습니다.
기사에서 최종 모델이 어떻게 훈련되고 무엇이 어디에서 대체되는지 잘 이해하지 못했습니다. 다시 모델 가중치 보정, 보정 (샘플 가중치) 또는 코줄라에서와 같이 무언가를 통해. 또는 평가 후 가장 가능성이 높은 마커가 모델에 대체됩니다. 저는 이 목적으로 두 번째 모델을 사용했는데, 이는 나쁜 예시에 대한 거래를 금지합니다.
같은 목록에 있습니다.
컨포멀 예측의 방법론은 적어도 역확률 가중치 측면에서 코줄을 반영합니다. 아직 더 읽어보지 않았습니다. 많은 정의 :)
그리고 잠재적 결과의 정의도 같은 방식으로 사용됩니다. 그러나 이진 분류의 경우 이미 더 명확합니다. 즉, 트리트먼트 또는 도구 변수가 도입되지 않습니다.
안녕하세요!
다양한 방법을 시도하고 있습니다.
그리고 NN+GA 알고리즘이 성과를 거두고 있습니다. 훨씬 더 안정적이죠.
안녕하세요!
여러 가지 방법을 시도해보고 있습니다.
그리고 NN+GA 알고리즘이 성과를 거두고 있습니다. 훨씬 더 안정적이죠.
보드카, 사슴고기, 오이를 곁들인 저녁독서.
주제를 개발하고 머릿속에서 다양한 MOSH 분야의 접근 방식을 연결하려고 노력했습니다.
보드카, 사슴고기, 오이를 곁들인 저녁 식사를 위한책입니다.
주제를 개발하고 머릿속에서 다양한 MOSH 분야의 접근 방식을 연결하려고 노력했습니다.
맛있게 드시고 가볍게 숙취를 해소하세요)
확률 적 예측과 매우 유사한 것 같지만 다른 것이라고 씁니다. 제가 지금까지 이해한 바로는 컨포멀은 분류에 더 초점을 맞추고 확률론은 회귀에 초점을 맞추고 있습니다.
어디선가 최대 수익률을 비교하신 것을 기억합니다. 그리고 특정 차트에서 최대 수익을 얻기 위해 어떤 알고리즘을 사용하셨나요? 최적화를 통해서인가요 아니면 엄격한 알고리즘이 있나요?
그리고 원패스. 포럼 어딘가에서요.
식사를 즐기고 가벼운 숙취를 느끼세요)
확률적 예측과 매우 유사한 것 같지만, 서로 다른 개념이라고 쓰여 있습니다. 제가 지금까지 이해한 바로는 컨포멀은 분류에 더 특화되어 있고, 확률론은 회귀에 더 특화되어 있습니다.
감사합니다 :) 네, 비슷합니다. 그들은 분류 나 회귀가 중요하지 않다고 씁니다. 검증 네트워크에서 비교를 통해 예측에 대한 추정치를 얻는 방법은 명확합니다 ( "귀납적"의 경우, 즉 더 빠르고 간단한 방법). "귀납적"도 어느 정도 명확하지만 샘플에 있는 예제 수만큼 많은 모델을 학습해야 하기 때문에 매우 느립니다. CV와 같은 중간 변형도 있는데, 실제로 제가 직접 해봤습니다.
기사에서 최종 모델이 어떻게 훈련되고 무엇이 어디에서 대체되는지 잘 이해하지 못했습니다. 다시 모델 가중치 보정, 보정 (샘플 가중치) 또는 코줄라에서와 같이 무언가를 통해. 또는 평가 후 가장 가능성이 높은 마커가 모델에 대체됩니다. 저는 이 목적으로 두 번째 모델을 사용했는데, 이는 나쁜 예시에 대한 거래를 금지합니다.