基于保角成本控制的快速在线价值最大化预测集
机器学习
2023-04-26 v3 统计方法学
机器学习
摘要
许多现实世界的多标签预测问题涉及必须满足由下游使用所决定的特定要求的集值预测。我们关注这样一种典型场景：此类要求分别编码与，且彼此竞争。例如，医院可能期望智能诊断系统尽可能多地捕获严重的、常共病的疾病（价值），同时严格控制错误预测（成本）。我们提出了一个称为 FavMac 的通用流程，以在此类场景中最大化价值同时控制成本。FavMac 几乎可与任何多标签分类器结合，提供无分布的成本控制理论保证。此外，与先前工作不同，它通过精心设计的在线更新机制可处理现实世界的大规模应用，该机制本身具有独立意义。我们的方法与理论贡献得到了若干医疗任务与合成数据集实验的支持——FavMac 在保持严格成本控制的同时，相比若干变体与基线提供了更高的价值。我们的代码见 https://github.com/zlin7/FavMac
引用
@article{arxiv.2302.00839,
title = {Fast Online Value-Maximizing Prediction Sets with Conformal Cost Control},
author = {Zhen Lin and Shubhendu Trivedi and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2302.00839},
year = {2023}
}
备注
Proceedings of the 40th International Conference on Machine Learning, Honolulu, Hawaii, USA. PMLR 202, 2023. 11 pages (main paper, including references) + 10 pages (supplementary material)