MARC

 008260126s2025        us                              c    eng  d
■001000017359241
■00520260202104854
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288814181
■035    ▼a(MiAaPQ)AAI32200994
■035    ▼a(MiAaPQ)Stanfordsm978sh0523
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a330
■1001  ▼aMarx,  Charles  Thomas.
■24510▼aPrinciples  of  Uncertainty  in  Probabilistic  Machine  Learning
■260    ▼a[Sl]▼bStanford  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a117  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Ermon,  Stefano.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2025.
■520    ▼aReliable  uncertainty  quantification  is  fundamental  to  the  safe  and  effective  deployment  of  machine  learning  systems  in  high-stakes  settings,  where  predictions  inform  decisions  ranging  from  medical  diagnoses  to  infrastructure  management  and  scientific  discovery.  This  dissertation  presents  a  study  of  probabilistic  prediction  with  a  focus  on  making  uncertainty  estimates  trustworthy  by  achieving  calibration  -  wherein  predicted  probabilities  align  with  the  empirical  frequencies  of  events,  such  as  a  90%  confidence  interval  including  the  observed  outcome  90%  of  the  time.  I  propose  interventions  to  improve  calibration  across  the  model  lifecycle:  training  objectives  to  encourage  calibration,  post-processing  methods  to  correct  miscalibration,  and  online  techniques  for  adaptively  preserving  calibration  during  deployment  in  nonstationary  environments.  The  first  part  addresses  post-hoc  recalibration.  I  introduce  modular  conformal  calibration,  a  general  framework  that  encompasses  and  extends  existing  post-hoc  uncertainty  quantification  techniques  such  as  isotonic  regression  and  conformal  prediction.  This  framework  identifies  a  design  space  for  recalibration  procedures  and  provides  finite-sample  calibration  guarantees  for  any  model  recalibrated  using  these  strategies.  This  allows  practitioners  to  trade  off  between  computational  cost,  meaningful  likelihoods,  deterministic  behavior,  and  stronger  calibration  guarantees.  In  the  second  part,  I  turn  to  training-time  calibration  with  the  goal  of  encouraging  calibration  while  maintaining  sharpness  -  the  degree  to  which  predictions  are  confident  and  informative.  I  propose  a  class  of  differentiable  calibration  measures  that  serve  as  regularization  objectives,  enabling  co-optimization  of  calibration  and  sharpness  during  training.  These  objectives  encompass  many  popular  notions  of  calibration  for  regression  and  classification  previously  enforced  only  after  training,  instead  incorporating  them  into  standard  empirical  risk  minimization.  They  also  enable  task-specific  calibration  objectives,  allowing  probabilistic  models  whose  uncertainty  estimates  are  both  statistically  coherent  and  aligned  with  the  practical  needs  of  downstream  decision-making.  The  third  part  investigates  calibration  under  distribution  shift,  a  central  challenge  in  real-world  deployments.  I  consider  an  online  forecasting  setting  where  data  may  evolve  over  time  or  be  selected  adversarially.  Building  on  Blackwell  approachability  theory,  I  develop  a  general  strategy  for  enforcing  calibration  guarantees  across  arbitrary  observation  sequences  under  minimal  assumptions.  This  framework  supports  diverse  calibration  notions,  including  distribution  and  decision  calibration,  through  both  oracle-based  and  computationally  tractable  algorithms.  I  further  present  gradient-based  approaches  that  relax  the  guarantees  while  enabling  broader  applicability.  Empirical  evaluations  demonstrate  that  these  methods  maintain  calibrated  forecasts  while  achieving  vanishing  regret  with  respect  to  expert  predictors.  Collectively,  this  dissertation  provides  principled  strategies  for  uncertainty  estimation  with  increased  flexibility  by  enforcing  many  forms  of  calibration  at  each  stage  of  model  development.  This  comprehensive  approach  to  calibration  across  the  model  lifecycle  enables  practitioners  to  tailor  uncertainty  quantification  to  their  specific  applications  while  reliably  informing  decisions  in  high-stakes  settings.
■590    ▼aSchool  code:  0212.
■650  4▼aForecasting
■650  4▼aDecision  making
■650  4▼aComputer  science
■690    ▼a0984
■690    ▼a0800
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359241▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서