論文の概要: On conditional versus marginal bias in multi-armed bandits
- arxiv url: http://arxiv.org/abs/2002.08422v3
- Date: Mon, 22 Feb 2021 21:10:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 14:28:37.705742
- Title: On conditional versus marginal bias in multi-armed bandits
- Title(参考訳): 多腕包帯の条件差と限界バイアスについて
- Authors: Jaehyeok Shin, Aaditya Ramdas, Alessandro Rinaldo
- Abstract要約: 多腕バンディットにおける腕のサンプル平均のバイアスは、適応データ解析において重要な問題である。
サンプル平均を含む報酬の単調関数の条件バイアスの兆候を特徴付ける。
我々の結果は任意の条件付けイベントを保ち、データ収集ポリシーの自然な単調性特性を活用する。
- 参考スコア(独自算出の注目度): 105.07190334523304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The bias of the sample means of the arms in multi-armed bandits is an
important issue in adaptive data analysis that has recently received
considerable attention in the literature. Existing results relate in precise
ways the sign and magnitude of the bias to various sources of data adaptivity,
but do not apply to the conditional inference setting in which the sample means
are computed only if some specific conditions are satisfied. In this paper, we
characterize the sign of the conditional bias of monotone functions of the
rewards, including the sample mean. Our results hold for arbitrary conditioning
events and leverage natural monotonicity properties of the data collection
policy. We further demonstrate, through several examples from sequential
testing and best arm identification, that the sign of the conditional and
marginal bias of the sample mean of an arm can be different, depending on the
conditioning event. Our analysis offers new and interesting perspectives on the
subtleties of assessing the bias in data adaptive settings.
- Abstract(参考訳): マルチアームバンディットにおける腕のサンプル手段のバイアスは適応的データ解析において重要な問題であり,近年,文献に注目が集まっている。
既存の結果は、バイアスの符号と大きさを様々なデータ適応度源に正確に関連付けるが、特定の条件を満たす場合にのみサンプル手段が計算される条件推論設定には適用されない。
本稿では,サンプル平均を含む報酬の単調関数の条件バイアスの符号を特徴付ける。
我々の結果は任意の条件付けイベントを保ち、データ収集ポリシーの自然な単調性特性を活用する。
さらに, 連続検定と腕の識別から得られたいくつかの例を通して, 腕の標本平均の条件偏差と限界偏差の兆候が, 条件づけの事象によって異なることを示す。
分析は,データ適応設定におけるバイアス評価の微妙な点について,新しく興味深い視点を提供する。
関連論文リスト
- A Simple Remedy for Dataset Bias via Self-Influence: A Mislabeled Sample Perspective [33.78421391776591]
本稿では,誤ラベル検出の新たな視点を提案する。
我々の新しい視点は、検出の精度を高め、バイアスのあるモデルを効果的に修正できることを示します。
提案手法は既存の手法を補完するものであり,近年のデバイアス化手法をすでに適用しているモデルに適用しても,性能改善を示す。
論文 参考訳(メタデータ) (2024-11-01T04:54:32Z) - Enhancing Intrinsic Features for Debiasing via Investigating Class-Discerning Common Attributes in Bias-Contrastive Pair [36.221761997349795]
ディープニューラルネットワークは、データセットバイアスの存在下でターゲットクラスと急激な相関を持つバイアス特性に依存している。
本稿では,本質的特徴の領域を示す空間的指示を明示的に提示する手法を提案する。
実験により, 種々のバイアス重大度を有する合成および実世界のデータセットに対して, 最先端の性能を達成できることが実証された。
論文 参考訳(メタデータ) (2024-04-30T04:13:14Z) - Detecting Adversarial Data by Probing Multiple Perturbations Using
Expected Perturbation Score [62.54911162109439]
逆方向検出は、自然分布と逆方向分布の差に基づいて、与えられたサンプルが逆方向であるかどうかを判定することを目的としている。
本研究では,様々な摂動後の標本の予測スコアであるEPS(pre expected perturbation score)を提案する。
EPSに基づく最大平均誤差(MMD)を,試験試料と自然試料との差を測定する指標として開発する。
論文 参考訳(メタデータ) (2023-05-25T13:14:58Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳(メタデータ) (2023-02-22T14:50:24Z) - Feature-Level Debiased Natural Language Understanding [86.8751772146264]
既存の自然言語理解(NLU)モデルは、特定のデータセットで高いパフォーマンスを達成するために、データセットバイアスに依存することが多い。
本稿では, バイアスの潜在特性を緩和し, バイアスの動的性質を無視するために, DCT(Debiasing contrastive learning)を提案する。
DCTは、ディストリビューション内のパフォーマンスを維持しながら、アウトオブディストリビューションデータセットの最先端のベースラインを上回ります。
論文 参考訳(メタデータ) (2022-12-11T06:16:14Z) - Breaking the Spurious Causality of Conditional Generation via Fairness
Intervention with Corrective Sampling [77.15766509677348]
条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。
これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。
この問題を緩和するための一般的な2段階戦略を提案する。
論文 参考訳(メタデータ) (2022-12-05T08:09:33Z) - Adaptive Data Analysis with Correlated Observations [21.969356766737622]
いくつかのケースでは、サンプル内に依存関係がある場合でも、差分プライバシーが保証されることが示されています。
転写圧縮と適応データ解析の関連性は,非ID設定にまで拡張可能であることを示す。
論文 参考訳(メタデータ) (2022-01-21T14:00:30Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳(メタデータ) (2021-12-15T18:56:39Z) - Learning Debiased Representation via Disentangled Feature Augmentation [19.348340314001756]
本稿では, 様々なバイアスを伴うサンプルを用いたトレーニングが, 脱バイアスに不可欠であることを示す実験的検討を行った。
本稿では, 多様なバイアス分散サンプルを合成するために, 特徴レベルのデータ拡張手法を提案する。
論文 参考訳(メタデータ) (2021-07-03T08:03:25Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。