Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Likelihood-Ratio Regularized Quantile Regression: Adapting Conformal Prediction to High-Dimensional Covariate Shifts

Created by
  • Haebom

저자

Sunay Joshi, Shayan Kiyani, George Pappas, Edgar Dobriban, Hamed Hassani

개요

본 논문은 공변량 이동(covariate shift) 하에서의 준거 예측(conformal prediction) 문제를 다룬다. 소스 도메인의 레이블된 데이터와 공변량 이동된 타겟 도메인의 레이블되지 않은 데이터가 주어졌을 때, 타겟 도메인에서 유효한 한계 포함율(marginal coverage)을 갖는 예측 집합을 구성하는 것을 목표로 한다. 기존의 대부분의 방법들은 알려지지 않은 우도 비 함수(likelihood ratio function)를 추정해야 하는데, 이는 이미지와 같은 고차원 데이터에서는 어려울 수 있다. 이 문제를 해결하기 위해, 본 논문에서는 우도 비 정규화 분위수 회귀(LR-QR, likelihood ratio regularized quantile regression) 알고리즘을 제시한다. 이 알고리즘은 핀볼 손실(pinball loss)과 새로운 정규화 방법을 결합하여 알려지지 않은 우도 비를 직접 추정하지 않고도 임계값 함수를 구성한다. 본 논문은 LR-QR 방법이 제어 가능한 작은 오차 항까지 타겟 도메인에서 원하는 수준의 포함율을 갖는다는 것을 보인다. 증명은 학습 이론의 안정성 경계(stability bounds)를 통한 새로운 포함율 분석에 기반한다. 실험 결과는 LR-QR 알고리즘이 Communities and Crime 데이터셋의 회귀 작업, WILDS 저장소의 이미지 분류 작업, MMLU 벤치마크의 LLM 질의응답 작업을 포함한 고차원 예측 작업에서 기존 방법보다 성능이 우수함을 보여준다.

시사점, 한계점

시사점:
고차원 데이터에서의 준거 예측 문제에 대한 새로운 접근법 제시: 우도 비 함수를 직접 추정하지 않고도 유효한 예측 집합을 구성하는 LR-QR 알고리즘 제안.
고차원 데이터(이미지, LLM 질의응답)에서 기존 방법보다 우수한 성능을 보임.
학습 이론의 안정성 경계를 이용한 새로운 포함율 분석 제공.
한계점:
제어 가능한 작은 오차 항이 존재하며, 이 오차 항의 크기 및 영향에 대한 추가적인 분석 필요.
LR-QR 알고리즘의 하이퍼파라미터 튜닝에 대한 추가적인 연구 필요.
다양한 유형의 공변량 이동에 대한 일반화 성능 평가 필요.
👍