Group conditional validity via multi-group learning

要約

分布のない共形予測の問題とグループの条件付き妥当性の基準を検討します。
この基準は、隠れた層化やグループの公平性など、多くの実用的なシナリオによって動機付けられています。
既存の方法は、制限的なグループ化構造または分布の仮定の下でそのような保証を達成するか、不均一分散ノイズの下で過度に保守的です。
マルチグループ学習と呼ばれる問題のアルゴリズムを活用することにより、個々の母集団の妥当性保証を達成するという問題を簡単に減らすことを提案します。
これにより、マルチグループ学習からの理論的保証を移植して、コンフォーマル予測のサンプルの複雑さの保証を取得できます。
また、階層構造を持つグループのマルチグループ学習のための新しいアルゴリズムも提供します。
このアルゴリズムを削減に使用すると、より単純な予測子構造でサンプルの複雑さの保証が改善されます。

要約(オリジナル)

We consider the problem of distribution-free conformal prediction and the criterion of group conditional validity. This criterion is motivated by many practical scenarios including hidden stratification and group fairness. Existing methods achieve such guarantees under either restrictive grouping structure or distributional assumptions, or they are overly-conservative under heteroskedastic noise. We propose a simple reduction to the problem of achieving validity guarantees for individual populations by leveraging algorithms for a problem called multi-group learning. This allows us to port theoretical guarantees from multi-group learning to obtain obtain sample complexity guarantees for conformal prediction. We also provide a new algorithm for multi-group learning for groups with hierarchical structure. Using this algorithm in our reduction leads to improved sample complexity guarantees with a simpler predictor structure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google