Predictive Inference with Feature Conformal Prediction

要約

コンフォーマル予測は、有効な予測区間を確立するための分布のない手法です。
従来、人々は出力空間で共形予測を行っていましたが、これが唯一の可能性ではありません。
この論文では、深層表現学習の帰納的バイアスを活用することにより、共形予測の範囲を意味的特徴空間に拡張する特徴共形予測を提案します。
理論的な観点から、穏やかな仮定の下では、機能の等角予測が通常の等角予測よりも確実に優れていることを示します。
私たちのアプローチは、通常のコンフォーマル予測だけでなく、他の適応型コンフォーマル予測方法とも組み合わせることができます。
既存の予測推論ベンチマークでの実験とは別に、ImageNet 分類や Cityscapes 画像セグメンテーションなどの大規模タスクでの提案された方法の最先端のパフォーマンスも実証します。

要約(オリジナル)

Conformal prediction is a distribution-free technique for establishing valid prediction intervals. Although conventionally people conduct conformal prediction in the output space, this is not the only possibility. In this paper, we propose feature conformal prediction, which extends the scope of conformal prediction to semantic feature spaces by leveraging the inductive bias of deep representation learning. From a theoretical perspective, we demonstrate that feature conformal prediction provably outperforms regular conformal prediction under mild assumptions. Our approach could be combined with not only vanilla conformal prediction, but also other adaptive conformal prediction methods. Apart from experiments on existing predictive inference benchmarks, we also demonstrate the state-of-the-art performance of the proposed methods on large-scale tasks such as ImageNet classification and Cityscapes image segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google