論文の概要: Absolutely No Free Lunches!

• arxiv url: http://arxiv.org/abs/2005.04791v2
• Date: Fri, 11 Sep 2020 21:39:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 02:05:10.106546
• Title: Absolutely No Free Lunches!
• Title（参考訳）: もちろんフリーランチはない!
• Authors: Gordon Belot
• Abstract要約: 本稿では,無限のバイナリシーケンスでパターンを学習することを目的とした学習者について述べる。 彼らは次のビットが 0 か 1 かを予測しようとするか、またはこれらの事象の予測確率を発行する。
• 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: This paper is concerned with learners who aim to learn patterns in infinite binary sequences: shown longer and longer initial segments of a binary sequence, they either attempt to predict whether the next bit will be a 0 or will be a 1 or they issue forecast probabilities for these events. Several variants of this problem are considered. In each case, a no-free-lunch result of the following form is established: the problem of learning is a formidably difficult one, in that no matter what method is pursued, failure is incomparably more common that success; and difficult choices must be faced in choosing a method of learning, since no approach dominates all others in its range of success. In the simplest case, the comparison of the set of situations in which a method fails and the set of situations in which it succeeds is a matter of cardinality (countable vs. uncountable); in other cases, it is a topological matter (meagre vs. co-meagre) or a hybrid computational-topological matter (effectively meagre vs. effectively co-meagre).
• Abstract（参考訳）: 本稿では,無限二進数列のパターンを学習しようとする学習者について述べる。二進数列の初期セグメントが長くなるか,次のビットが0になるか,あるいは1になるか,あるいはこれらの事象の予測確率を予測しようとする。 この問題のいくつかの変種が考えられる。 学習の問題は、どのような方法が追求されたとしても、失敗は成功に比較にならないほど一般的であるという点において、強烈な難題であり、その成功範囲で他のすべてのアプローチが支配できないため、学習方法の選択において難しい選択をしなければならない。 最も単純な場合、メソッドが失敗する状況の集合とそれが成功する状況の集合の比較は、濃度(可算対可算)の問題であり、また、トポロジカルな問題(可算対共測)またはハイブリッドな計算トポロジカルな問題(効果的にメートル対実測)である。

関連論文リスト

• Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
  機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。 これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。 この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2024-03-18T14:55:45Z)
• Multiclass Online Learning and Uniform Convergence [34.21248304961989]
  対戦型オンライン学習環境におけるマルチクラス分類について検討する。 任意のマルチクラスの概念クラスが、そのリトルストーン次元が有限である場合に限り、不可知的に学習可能であることを証明する。
  論文  参考訳（メタデータ） (2023-03-30T21:35:48Z)
• Agnostic Multi-Robust Learning Using ERM [19.313739782029185]
  頑健な学習における根本的な問題は非対称性である: 学習者は指数関数的に多くの摂動の全てを正しく分類する必要がある。 これとは対照的に、攻撃者は1つの摂動を成功させる必要がある。 本稿では,新しいマルチグループ設定を導入し,新しいマルチロバスト学習問題を提案する。
  論文  参考訳（メタデータ） (2023-03-15T21:30:14Z)
• On the Complexity of Computing G\"odel Numbers [0.0]
  計算可能なすべての列の問題を研究し、Wehrauchの複雑性を分類する。 分類のベンチマークとして、閉かつコンパクトな選択問題とそれらの自然数へのジャンプを用いる。 これらの問題は、逆数学におけるカービー・パリ階層から知られているように、帰納法と有界性原理に対応している。
  論文  参考訳（メタデータ） (2023-02-08T17:31:20Z)
• Multi-Label Quantification [78.83284164605473]
  定量化とは、教師なしデータサンプルにおいて、興味あるクラスの相対周波数の予測子を生成する教師付き学習課題である。 本研究では,その相対頻度をより正確に予測するために,興味あるクラス間の依存関係を活用しようとするクラス有病率値の推定手法を提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:29:59Z)
• Two-Qutrit entanglement: 56-years old algorithm challenges machine learning [0.0]
  我々はGilbertアルゴリズムを、このクラスで得られた結果の修正に適用する。 ほとんどの州が絡み合っているか、分離可能であるかは、実際には分離可能であるか、非常に弱い絡み合っていると我々は論じている。
  論文  参考訳（メタデータ） (2022-11-06T20:25:05Z)
• What's the Harm? Sharp Bounds on the Fraction Negatively Affected by Treatment [58.442274475425144]
  我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。 シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
  論文  参考訳（メタデータ） (2022-05-20T17:36:33Z)
• Smoothed Online Learning is as Easy as Statistical Learning [77.00766067963195]
  この設定では、最初のオラクル効率、非回帰アルゴリズムを提供する。 古典的な設定で関数クラスが学習可能な場合、文脈的包帯に対するオラクル効率のよい非回帰アルゴリズムが存在することを示す。
  論文  参考訳（メタデータ） (2022-02-09T19:22:34Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)
• Prob2Vec: Mathematical Semantic Embedding for Problem Retrieval in Adaptive Tutoring [4.230510356675453]
  人間が十分なトレーニングセットで一致した類似度スコアを決定するのは難しい。 本稿では,抽象化と組込みステップからなる階層型問題埋め込みアルゴリズムProb2Vecを提案する。 Prob2Vec 96.88%の精度で問題類似性テストを行った。
  論文  参考訳（メタデータ） (2020-03-21T00:16:14Z)
• Adversarial Online Learning with Changing Action Sets: Efficient Algorithms with Approximate Regret Bounds [48.312484940846]
  睡眠の専門家やバンドイットによるオンライン学習の問題を再考する。 各タイムステップにおいて、アルゴリズムが選択できるアクションのサブセットのみが利用可能である。 我々は、一般的な睡眠専門家/バンド問題に対して、アポキシマ-レグレット保証を提供するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-03-07T02:13:21Z)

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。