論文の概要: Probably Approximately Correct Constrained Learning
- arxiv url: http://arxiv.org/abs/2006.05487v2
- Date: Wed, 17 Feb 2021 22:42:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 14:37:14.693991
- Title: Probably Approximately Correct Constrained Learning
- Title(参考訳): おそらくほぼ正しい制約付き学習
- Authors: Luiz F. O. Chamon and Alejandro Ribeiro
- Abstract要約: 我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。
PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。
このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
- 参考スコア(独自算出の注目度): 135.48447120228658
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As learning solutions reach critical applications in social, industrial, and
medical domains, the need to curtail their behavior has become paramount. There
is now ample evidence that without explicit tailoring, learning can lead to
biased, unsafe, and prejudiced solutions. To tackle these problems, we develop
a generalization theory of constrained learning based on the probably
approximately correct (PAC) learning framework. In particular, we show that
imposing requirements does not make a learning problem harder in the sense that
any PAC learnable class is also PAC constrained learnable using a constrained
counterpart of the empirical risk minimization (ERM) rule. For typical
parametrized models, however, this learner involves solving a constrained
non-convex optimization program for which even obtaining a feasible solution is
challenging. To overcome this issue, we prove that under mild conditions the
empirical dual problem of constrained learning is also a PAC constrained
learner that now leads to a practical constrained learning algorithm based
solely on solving unconstrained problems. We analyze the generalization
properties of this solution and use it to illustrate how constrained learning
can address problems in fair and robust classification.
- Abstract(参考訳): 学習ソリューションが社会的、産業的、医療的な領域において重要な応用に到達するにつれ、その行動を調整する必要性が高まっている。
現在、明示的な調整がなければ、学習は偏見があり、安全でない、偏見のないソリューションにつながるという証拠がたくさんある。
これらの問題に取り組むため,我々は,おそらくほぼ正しい(pac)学習枠組みに基づく制約付き学習の一般化理論を開発した。
特に,経験的リスク最小化法(ERM)の制約付き規則を用いて,任意のPAC学習可能なクラスもPAC制約付き学習可能であるという意味で,要求を課すことは学習問題を難しくするものではないことを示す。
しかし、典型的なパラメトリゼーションモデルでは、この学習者は、実現可能な解を得ることさえ困難である制約付き非凸最適化プログラムを解く。
この問題を克服するために,制約付き学習の実証的な二重問題もまたPAC制約付き学習者であり,制約なしの問題を解くことのみに基づく実用的な制約付き学習アルゴリズムに導かれることを示した。
この解の一般化特性を解析し、制約付き学習が公平で堅牢な分類における問題にどのように対処できるかを説明する。
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) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳(メタデータ) (2023-06-04T18:14:18Z) - On data-driven chance constraint learning for mixed-integer optimization
problems [0.0]
本稿では,混合整数線形最適化問題に着目したCCL手法を提案する。
CCLは線形化可能な機械学習モデルを使用して、学習変数の条件量子を推定する。
実践者が使用するオープンアクセスソフトウェアが開発されている。
論文 参考訳(メタデータ) (2022-07-08T11:54:39Z) - Exploring Viable Algorithmic Options for Learning from Demonstration
(LfD): A Parameterized Complexity Approach [0.0]
本稿では,パラメータ化複雑性解析を用いて,アルゴリズムの選択肢を体系的に探索する方法を示す。
環境、実演、ポリシーに対する多くの(しばしば同時に)制限に対して、我々の問題は、一般的にも、あるいは相対的に、効率的に解決できないことを示す。
論文 参考訳(メタデータ) (2022-05-10T15:54:06Z) - Adversarial Robustness with Semi-Infinite Constrained Learning [177.42714838799924]
入力に対する深い学習は、安全クリティカルなドメインでの使用に関して深刻な疑問を提起している。
本稿では,この問題を緩和するために,Langevin Monte Carlo のハイブリッドトレーニング手法を提案する。
当社のアプローチは、最先端のパフォーマンスと堅牢性の間のトレードオフを軽減することができることを示す。
論文 参考訳(メタデータ) (2021-10-29T13:30:42Z) - Constrained Learning with Non-Convex Losses [119.8736858597118]
学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
論文 参考訳(メタデータ) (2021-03-08T23:10:33Z) - The empirical duality gap of constrained statistical learning [115.23598260228587]
本研究では,制約付き統計学習問題(制約なし版)について,ほぼ全ての現代情報処理のコアとなる研究を行った。
本稿では, 有限次元パラメータ化, サンプル平均, 双対性理論を利用して, 無限次元, 未知分布, 制約を克服する制約付き統計問題に取り組むことを提案する。
フェアラーニングアプリケーションにおいて,この制約付き定式化の有効性と有用性を示す。
論文 参考訳(メタデータ) (2020-02-12T19:12:29Z)
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。