論文の概要: Game-theoretic applications of a relational risk model
- arxiv url: http://arxiv.org/abs/2004.05920v1
- Date: Thu, 9 Apr 2020 18:54:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 03:04:51.576538
- Title: Game-theoretic applications of a relational risk model
- Title（参考訳）: 関係リスクモデルのゲーム論的応用
- Authors: Tatiana Urazaeva
- Abstract要約: 報告書はリスク発生に必要な2つの数学的構造を概説するリスクの概念を示唆している。
この最小部分順序は半格子の構造を構成することが示されている。
ある場合には、ある方法でネストされた半格子の系が存在するべきである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The report suggests the concept of risk, outlining two mathematical
structures necessary for risk genesis: the set of outcomes and, in a general
case, partial order of preference on it. It is shown that this minimum partial
order should constitute the structure of a semilattice. In some cases, there
should be a system of semilattices nested in a certain way. On this basis, the
classification of risk theory tasks is given in the context of specialization
of mathematical knowledge. In other words, we are talking about the development
of a new rela-tional risk theory. The problem of political decision making in
game-theoretic formulation in terms of having partial order of preference on
the set of outcomes for each par-ticipant of the game forming a certain system
of nested semilattices is consid-ered as an example of a relational risk
concept implementation. Solutions to the problem obtained through the use of
various optimality principles are investi-gated.
- Abstract（参考訳）: 報告書はリスクの概念を示唆しており、リスク発生に必要な2つの数学的構造を概説している。
この最小部分順序は半格子の構造を構成することが示されている。
ある場合には、ある方法でネストされた半格子の系が存在するべきである。
この観点から、リスク理論のタスクの分類は、数学的知識の専門化の文脈で与えられる。
言い換えれば、我々は新しい相対的リスク理論の開発について話している。
ネストされたセミラティクスのシステムを構成するゲームの各パーチカントに対する結果の集合を部分的に選好するという点で、ゲーム理論の定式化における政治的決定の問題は、リレーショナルリスク概念の具体例として考察される。
様々な最適性原理を用いて得られた問題の解を検証する。
関連論文リスト
- Error Bounds of Supervised Classification from Information-Theoretic Perspective [0.0]
我々は、情報理論の観点から、教師付き分類にディープニューラルネットワークを使用する場合の予測リスクのバウンダリについて検討する。
経験的リスクをさらに分解したモデルリスクとフィッティングエラーを導入する。
論文 参考訳（メタデータ） (2024-06-07T01:07:35Z) - Strong Duality Relations in Nonconvex Risk-Constrained Learning [0.0]
一般無限次元バナッハ空間に対する J. J. Uhl の凸性は A. A. Lynovs の拡張である。
我々は,制約付き分類と回帰を統一レンズで処理できることを示し,現在の文献で実施されている一定の制約的仮定は,新たな最先端技術であることを示した。
論文 参考訳（メタデータ） (2023-12-02T11:21:00Z) - Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳（メタデータ） (2023-11-08T00:10:21Z) - Domain Generalization without Excess Empirical Risk [83.26052467843725]
一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。
我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。
我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
論文 参考訳（メタデータ） (2023-08-30T08:46:46Z) - Out-of-Distribution Optimality of Invariant Risk Minimization [20.389816785165333]
不変リスク最小化(IRM)は、o.o.d.リスクを最小化するための有望なアプローチであると考えられている。
本稿では、二段階最適化問題の解が特定の条件下でのo.o.d.リスクを最小限に抑えることを厳密に証明する。
論文 参考訳（メタデータ） (2023-07-22T03:31:15Z) - Multivariate Systemic Risk Measures and Computation by Deep Learning
Algorithms [63.03966552670014]
本稿では,主観的最適度と関連するリスク割り当ての公平性に着目し,重要な理論的側面について論じる。
私たちが提供しているアルゴリズムは、予備項の学習、二重表現の最適化、およびそれに対応する公正なリスク割り当てを可能にします。
論文 参考訳（メタデータ） (2023-02-02T22:16:49Z) - Mitigating multiple descents: A model-agnostic framework for risk
monotonization [84.6382406922369]
クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。
本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
論文 参考訳（メタデータ） (2022-05-25T17:41:40Z) - The Geometry of Adversarial Training in Binary Classification [1.2891210250935143]
我々は,非パラメトリック二分分類における対角的学習問題の族と正規化リスク最小化問題の族との同値性を確立する。
結果として生じる正規化リスク最小化問題は、$L1+$(非局所)$operatornameTV$の正確な凸緩和を許容する。
論文 参考訳（メタデータ） (2021-11-26T17:19:50Z) - The Risks of Invariant Risk Minimization [52.7137956951533]
不変リスク最小化(Invariant Risk Minimization)は、データの深い不変性を学ぶという考え方に基づく目標である。
我々は、IRMの目的に基づく分類の最初の分析と、最近提案されたこれらの代替案について、かなり自然で一般的なモデルで分析する。
IRMは、テストデータがトレーニング分布と十分に類似していない限り、破滅的に失敗する可能性がある。
論文 参考訳（メタデータ） (2020-10-12T14:54:32Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳（メタデータ） (2020-06-15T05:25:02Z)
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。