Fugu-MT 論文翻訳(概要): On Biased Random Walks, Corrupted Intervals, and Learning Under Adversarial Design

論文の概要: On Biased Random Walks, Corrupted Intervals, and Learning Under Adversarial Design

arxiv url: http://arxiv.org/abs/2003.13561v1
Date: Mon, 30 Mar 2020 15:35:21 GMT
ステータス: 処理完了
システム内更新日: 2022-12-18 07:19:05.218875
Title: On Biased Random Walks, Corrupted Intervals, and Learning Under Adversarial Design
Title（参考訳）: バイザードランダムウォーク, 崩壊間隔, および対向設計による学習について
Authors: Daniel Berend, Aryeh Kontorovich, Lev Reyzin, Thomas Robinson
Abstract要約: 偏りのあるランダムウォークが最下点に達することを予測し、自然騒音モデルの下で整数点の間隔を検出できるかどうかを解析する。これらの結果を,新たな学習モデルの下での学習しきい値と間隔の問題に適用する。
参考スコア（独自算出の注目度）: 10.808630170761889
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We tackle some fundamental problems in probability theory on corrupted random processes on the integer line. We analyze when a biased random walk is expected to reach its bottommost point and when intervals of integer points can be detected under a natural model of noise. We apply these results to problems in learning thresholds and intervals under a new model for learning under adversarial design.
Abstract（参考訳）: 整数列上の乱数過程の確率論におけるいくつかの基本的な問題に取り組む。偏りのあるランダムウォークが最下点に達すると予測された時と、ノイズの自然モデルの下で整数点間隔を検出できる時の解析を行う。これらの結果を,新たな学習モデルの下での学習しきい値と間隔の問題に適用する。

関連論文リスト

Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-04T23:31:35Z)
Overdispersion in gate tomography: Experiments and continuous, two-scale random walk model on the Bloch sphere [0.6249768559720122]
既存のノイズモデルでは,アルゴリズムのランタイム上でのノイズ効果の凝集を適切に捉えることができないことを示す。ゲート操作数の関数として読み出し確率のノイズモデルを開発する。過分散を考慮した2番目のランダムウォークを複数の読み出しスケールで重畳する。
論文参考訳（メタデータ） (2024-07-04T14:44:53Z)
Simultaneous Inference for Local Structural Parameters with Random Forests [19.014535120129338]
我々は条件モーメント方程式の解に対する同時信頼区間を構築する。我々は高次元U.S.の濃度と正規近似に関する新しい順序抽出結果を得た。副産物として、高次元U.S.の濃度と正規近似に関するいくつかの新しい順序抽出結果を得る。
論文参考訳（メタデータ） (2024-05-13T15:46:11Z)
Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
論文参考訳（メタデータ） (2022-12-06T12:42:11Z)
Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文参考訳（メタデータ） (2021-10-21T07:28:11Z)
Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
論文参考訳（メタデータ） (2021-03-03T23:06:47Z)
On the Inherent Regularization Effects of Noise Injection During Training [12.614901374282868]
本稿では,学習データに人工雑音を注入することに対応する無作為摂動の一方法に関する理論的研究について述べる。このようなランダム摂動学習問題の訓練と一般化誤差をランダム特徴モデル上で高精度に評価する。
論文参考訳（メタデータ） (2021-02-15T07:43:18Z)
Outlier-Robust Learning of Ising Models Under Dobrushin's Condition [57.89518300699042]
本研究では, サンプルの一定割合が逆向きに破壊されるような外乱条件下で, ドブルシンの条件を満たすIsingモデルの学習問題について検討する。我々の主な成果は、ほぼ最適誤差保証を伴うこの問題に対して、計算効率のよい最初の頑健な学習アルゴリズムを提供することである。
論文参考訳（メタデータ） (2021-02-03T18:00:57Z)
Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文参考訳（メタデータ） (2020-12-03T10:17:30Z)
Robust Learning under Strong Noise via SQs [5.9256596453465225]
各SQ学習可能なクラスは、幅広いノイズモデルに対して、OPT + $epsilon Misilon誤分類誤差を持つ効率的な学習アルゴリズムを許容することを示す。この設定は、既知の雑音確率を持つRCNの下で広く研究されている問題分類を大幅に一般化する。
論文参考訳（メタデータ） (2020-10-18T21:02:26Z)
Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文参考訳（メタデータ） (2020-06-11T19:40:38Z)

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。