Fugu-MT 論文翻訳(概要): Linear unit-tests for invariance discovery

論文の概要: Linear unit-tests for invariance discovery

arxiv url: http://arxiv.org/abs/2102.10867v1
Date: Mon, 22 Feb 2021 10:07:51 GMT
ステータス: 処理完了
システム内更新日: 2021-02-23 15:18:15.841233
Title: Linear unit-tests for invariance discovery
Title（参考訳）: 不変発見のための線形ユニットテスト
Authors: Benjamin Aubin, Agnieszka S{\l}owik, Martin Arjovsky, Leon Bottou, David Lopez-Paz
Abstract要約: このノートは6つの線形低次元問題(単体テスト)を提案し、分布外一般化の異なるタイプを評価する。この原稿のすべての結果を自動で複製するコードを提供することで、我々の単体テストが配布外一般化の研究者の標準的な足掛かりになることを願っている。
参考スコア（独自算出の注目度）: 18.794054022047963
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There is an increasing interest in algorithms to learn invariant correlations across training environments. A big share of the current proposals find theoretical support in the causality literature but, how useful are they in practice? The purpose of this note is to propose six linear low-dimensional problems -- unit tests -- to evaluate different types of out-of-distribution generalization in a precise manner. Following initial experiments, none of the three recently proposed alternatives passes all tests. By providing the code to automatically replicate all the results in this manuscript (https://www.github.com/facebookresearch/InvarianceUnitTests), we hope that our unit tests become a standard steppingstone for researchers in out-of-distribution generalization.
Abstract（参考訳）: トレーニング環境間で不変相関を学ぶアルゴリズムへの関心が高まっている。現在の提案の多くは因果関係の文献で理論的に支持されているが、実際にはどの程度有用か? 本研究の目的は,6つの線形低次元問題 -- ユニットテスト -- を提案し,異なる種類の分散一般化を高精度に評価することである。初期の実験の後、最近提案された3つの代替案はいずれもすべてのテストに合格しなかった。この原稿のすべての結果を自動で複製するコード(https://www.github.com/facebookresearch/InvarianceUnitTests)を提供することで、我々のユニットテストが、配布外一般化の研究者の標準となることを願っています。

関連論文リスト

A Generic Method for Fine-grained Category Discovery in Natural Language Texts [38.297873969795546]
そこで本研究では,新たな目的関数によって導かれる意味的類似テキストの微細なクラスタをうまく検出する手法を提案する。この方法は対数空間における意味的類似性を利用してユークリッド空間のサンプル分布を導く。また,リアルタイムアプリケーションをサポートするセントロイド推論機構を提案する。
論文参考訳（メタデータ） (2024-06-18T23:27:46Z)
Regularization-Based Methods for Ordinal Quantification [49.606912965922504]
順序の場合、すなわち n>2 クラスの集合上で全順序が定義される場合について研究する。本稿では,従来のアルゴリズムよりも優れた正規化OQアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-10-13T16:04:06Z)
A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts [143.14128737978342]
新たなパラダイムであるテスト時適応は、事前トレーニングされたモデルをテスト中にラベルのないデータに適用し、予測を行う可能性がある。このパラダイムの最近の進歩は、推論に先立って自己適応モデルのトレーニングにラベルのないデータを活用するという大きな利点を浮き彫りにしている。
論文参考訳（メタデータ） (2023-03-27T16:32:21Z)
A Moment-Matching Approach to Testable Learning and a New Characterization of Rademacher Complexity [15.746613321517282]
我々は、モーメントマッチングやメートル法非依存のツールを用いて、テスト可能な学習アルゴリズムを開発するための強力な新しいアプローチを提案する。意外なことに、テスト可能な学習における情報理論の複雑さは、概念クラスのRademacher複雑さによって強く特徴づけられている。
論文参考訳（メタデータ） (2022-11-23T21:29:51Z)
Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文参考訳（メタデータ） (2022-11-21T18:47:11Z)
Test-Time Training with Masked Autoencoders [54.983147122777574]
テストタイムトレーニングは、セルフスーパービジョンを使用して各テスト入力のモデルを最適化することで、新しいテスト分布をオンザフライに適用する。本稿では,この一サンプル学習問題に対してマスク付きオートエンコーダを用いる。
論文参考訳（メタデータ） (2022-09-15T17:59:34Z)
Sequential Permutation Testing of Random Forest Variable Importance Measures [68.8204255655161]
そこで本研究では、逐次置換テストと逐次p値推定を用いて、従来の置換テストに関連する高い計算コストを削減することを提案する。シミュレーション研究の結果、シーケンシャルテストの理論的性質が当てはまることを確認した。本手法の数値安定性を2つの応用研究で検討した。
論文参考訳（メタデータ） (2022-06-02T20:16:50Z)
Nonlinear Distribution Regression for Remote Sensing Applications [6.664736150040092]
多くのリモートセンシングアプリケーションでは、観察から関心のある変数やパラメータを推定したい。ニューラルネットワーク、ランダムフォレスト、ガウス過程などの標準アルゴリズムは、これら2つに関連して容易に利用可能である。本稿では, グループ化されたデータの統計を仮定することなく, 従来の問題を解く非線形(カーネルベース)な分散回帰法を提案する。
論文参考訳（メタデータ） (2020-12-07T22:04:43Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Genetic Algorithms for Redundancy in Interaction Testing [0.6396288020763143]
インタラクションテストには一連のテストの設計が含まれており、少数のコンポーネントが連携して動作する場合、障害を検出することが保証される。これらのテストスイートを構築するための既存のアルゴリズムは通常、ほとんどのテストを生成する1つの"高速"アルゴリズムと、テストスイートを"完全"する別の"より遅い"アルゴリズムを含んでいる。我々は、これらのアプローチを一般化する遺伝的アルゴリズムを用いて、選択したアルゴリズムの数を増やして冗長性も含み、それを「ステージ」と呼ぶ。
論文参考訳（メタデータ） (2020-02-13T10:16:46Z)

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。