Fugu-MT 論文翻訳(概要): Discrimination of POVMs with rank-one effects

論文の概要: Discrimination of POVMs with rank-one effects

arxiv url: http://arxiv.org/abs/2002.05452v1
Date: Thu, 13 Feb 2020 11:34:50 GMT
ステータス: 処理完了
システム内更新日: 2023-06-03 19:20:03.531093
Title: Discrimination of POVMs with rank-one effects
Title（参考訳）: ランクワン効果によるPOVMの識別
Authors: Aleksandra Krawiec, {\L}ukasz Pawela, and Zbigniew Pucha{\l}a
Abstract要約: この研究は、ランクワン効果を持つ正の作用素値測度を識別する問題に関する洞察を与える。パラレルとアダプティブの2つの予測手法を比較した。この適応型スキームを見つけるための明示的なアルゴリズムを提供する。
参考スコア（独自算出の注目度）: 62.997667081978825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The main goal of this work is to provide an insight into the problem of discrimination of positive operator valued measures with rank-one effects. It is our intention to study multiple shot discrimination of such measurements, that is the case when we are able to use to unknown measurement a given number of times. Furthermore, we are interested in comparing two possible discrimination schemes: the parallel and adaptive ones. To this end we construct a pair of symmetric, information complete positive operator valued measures which can be perfectly discriminated in a two-shot adaptive scheme. On top of this we provide an explicit algorithm which allows us to find this adaptive scheme.
Abstract（参考訳）: この研究の主な目的は、ランクワン効果を持つ正の作用素値測度を識別する問題に対する洞察を提供することである。このような測定値の複数ショットの識別を研究するのは我々の意図であり、特定の回数で未知の測定に使用できる場合である。さらに,並列型と適応型型の2つの識別方式を比較することに関心がある。この目的のために、二発適応スキームで完全に判別できる対称な情報完全正の作用素価値測度を構築する。これに加えて、我々はこの適応型スキームを見つけるための明示的なアルゴリズムを提供する。

関連論文リスト

Does Machine Bring in Extra Bias in Learning? Approximating Fairness in Models Promptly [2.002741592555996]
機械学習モデルの識別レベルを評価するための既存の技術には、一般的に使用されるグループと個別の公正度尺度が含まれる。本稿では,集合間の距離に基づく「HFM(Harmonic Fairness measure)」を提案する。実験結果から,提案した公正度尺度 HFM が有効であり,提案した ApproxDist が有効かつ効率的であることが示唆された。
論文参考訳（メタデータ） (2024-05-15T11:07:40Z)
Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文参考訳（メタデータ） (2023-10-18T10:32:39Z)
Discriminator-free Unsupervised Domain Adaptation for Multi-label Image Classification [11.825795835537324]
マルチラベル画像分類(MLIC)のための識別器レス逆数型Unminator Domain Adaptation (UDA)を提案する。提案手法は,3種類の領域シフトを対象とする複数ラベル画像データセットを用いて評価する。
論文参考訳（メタデータ） (2023-01-25T14:45:13Z)
Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
論文参考訳（メタデータ） (2022-04-08T04:40:18Z)
Marrying Fairness and Explainability in Supervised Learning [0.0]
我々は、保護属性の直接的な因果効果として直接識別を定式化する。我々は、最先端のフェアラーニング手法は、関連性や逆の差別によって差別を誘発することができることを発見した。本稿では,保護された属性がシステムの出力に与える影響を無効にするとともに,残りの特徴の影響を保存することを提案する。
論文参考訳（メタデータ） (2022-04-06T17:26:58Z)
Concurrent Discrimination and Alignment for Self-Supervised Feature Learning [52.213140525321165]
既存の自己指導型学習手法は,(1)どの特徴が分離されるべきかを明確に示すこと,あるいは(2)どの特徴が閉じるべきかを明確に示すこと,のいずれかのプリテキストタスクを用いて学習する。本研究では,識別・調整手法の正の側面を組み合わせて,上記の課題に対処するハイブリッド手法を設計する。本手法は,識別的予測タスクによってそれぞれ反発とアトラクションのメカニズムを明確に特定し,ペアビュー間の相互情報を同時に最大化する。確立された9つのベンチマーク実験により,提案モデルが自己監督と移動の既成結果より一貫して優れていることが示された。
論文参考訳（メタデータ） (2021-08-19T09:07:41Z)
Exploring Dropout Discriminator for Domain Adaptation [27.19677042654432]
新しいドメインへの分類器の適応は、機械学習における難しい問題の1つである。本稿では, サンプル分布の分散を徐々に増大させるカリキュラムベースのドロップアウト判別器を提案する。識別器のアンサンブルは、モデルがデータ分散を効率的に学習するのに役立つ。
論文参考訳（メタデータ） (2021-07-09T06:11:34Z)
Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文参考訳（メタデータ） (2021-05-11T03:38:16Z)
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-15T10:08:39Z)
The Benefits of Pairwise Discriminators for Adversarial Training [1.7188280334580193]
ペアワイズ判別器を活用することで目的のファミリーを導入し、生成元のみを収束させる必要があることを示す。我々は局所収束のための十分な条件を提供し、判別器と生成器の選択を導く能力バランスを特徴付ける。提案手法により,より高解像度な画像を生成することができることを示す。
論文参考訳（メタデータ） (2020-02-20T08:43:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。