Fugu-MT 論文翻訳(概要): Learning Fair Canonical Polyadical Decompositions using a Kernel Independence Criterion

論文の概要: Learning Fair Canonical Polyadical Decompositions using a Kernel Independence Criterion

arxiv url: http://arxiv.org/abs/2104.13504v1
Date: Tue, 27 Apr 2021 23:16:10 GMT
ステータス: 処理完了
システム内更新日: 2021-04-29 12:58:27.814646
Title: Learning Fair Canonical Polyadical Decompositions using a Kernel Independence Criterion
Title（参考訳）: カーネル独立基準を用いた正準多型分解の学習
Authors: Kevin Kim and Alex Gittens
Abstract要約: 理論的および実証的に、潜在因子と感度特徴の間の小さなkhsicが近似統計パリティを保証することが示されている。提案アルゴリズムは,合成データセットと実データ集合とのトレードオフ制御において,最先端のアルゴリズムであるFATRを超越する。
参考スコア（独自算出の注目度）: 8.9598796481325
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work proposes to learn fair low-rank tensor decompositions by regularizing the Canonical Polyadic Decomposition factorization with the kernel Hilbert-Schmidt independence criterion (KHSIC). It is shown, theoretically and empirically, that a small KHSIC between a latent factor and the sensitive features guarantees approximate statistical parity. The proposed algorithm surpasses the state-of-the-art algorithm, FATR (Zhu et al., 2018), in controlling the trade-off between fairness and residual fit on synthetic and real data sets.
Abstract（参考訳）: 本研究は、KHSIC(Hilbert-Schmidt independent criterion)を用いてカノニカルポリアディック分解分解を正規化することにより、公平な低ランクテンソル分解を学習することを提案する。理論的および実証的に、潜在因子と感度特徴の間の小さなkhsicが近似統計パリティを保証することが示されている。提案アルゴリズムは,合成データセットと実データセットに適合する残差とのトレードオフを制御するため,最先端のアルゴリズムであるFATR(Zhu et al., 2018)を超越する。

関連論文リスト

Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
論文参考訳（メタデータ） (2024-10-21T15:34:44Z)
Optimal Kernel Quantile Learning with Random Features [0.9208007322096533]
本稿では、ランダムな特徴を持つカーネル量子化回帰(KQR-RF)の一般化研究について述べる。本研究は,KQR-RFの能力依存学習率を,RF数に対する軽度条件下で確立する。我々の仮定を少し修正することによって、キャパシティに依存した誤差解析が、リプシッツ連続損失のケースにも適用できる。
論文参考訳（メタデータ） (2024-08-24T14:26:09Z)
Entrywise error bounds for low-rank approximations of kernel matrices [55.524284152242096]
切り抜き固有分解を用いて得られたカーネル行列の低ランク近似に対するエントリーワイド誤差境界を導出する。重要な技術的革新は、小さな固有値に対応するカーネル行列の固有ベクトルの非局在化結果である。我々は、合成および実世界のデータセットの集合に関する実証的研究により、我々の理論を検証した。
論文参考訳（メタデータ） (2024-05-23T12:26:25Z)
Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文参考訳（メタデータ） (2022-08-19T19:01:30Z)
Controlling the Complexity and Lipschitz Constant improves polynomial nets [55.121200972539114]
多項式ネットの結合CP分解(CCP)モデルとNested Coupled CP分解(NCP)モデルに対する新しい複雑性境界を導出する。本研究では、6つのデータセットで実験的に評価し、モデルが逆摂動に対して頑健であるとともに精度も向上することを示す。
論文参考訳（メタデータ） (2022-02-10T14:54:29Z)
Hybrid Random Features [60.116392415715275]
ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
論文参考訳（メタデータ） (2021-10-08T20:22:59Z)
A useful criterion on studying consistent estimation in community detection [0.0]
我々は,標準ネットワークにおける分離条件とErd"os-R'enyiランダムグラフのシャープしきい値を用いて一貫した推定を行う。分離条件には矛盾する現象があり, コミュニティ検出では鋭い閾値がみられた。その結果、エラー率を小さくし、コミュニティ数への依存を少なくし、ネットワークの疎結合性に対する要求を弱めることができた。
論文参考訳（メタデータ） (2021-09-30T09:27:48Z)
Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。 MRP のサブクラスに対する minimax の下位境界を証明する。
論文参考訳（メタデータ） (2021-09-24T14:48:20Z)
Statistical optimality conditions for compressive ensembles [7.766921168069532]
本研究では,高次元データの無作為圧縮を訓練した低複雑さ経験的リスク最小化器のアンサンブルの理論解析のための枠組みを提案する。本稿では, 圧縮性の概念として, 余剰リスクに関する一般分布依存上界を導入する。次に、ジョンソン-リンデンシュトラウス写像を圧縮スキームとして考慮し、この一般化を分類および回帰タスクに縛り付ける。
論文参考訳（メタデータ） (2021-06-02T11:52:31Z)
Mode-wise Tensor Decompositions: Multi-dimensional Generalizations of CUR Decompositions [9.280330114137778]
知通とファイバーCURの2つの主要なテンソルCUR近似における特性評価、摂動解析、および効率的なサンプリング戦略について検討する。
論文参考訳（メタデータ） (2021-03-19T22:00:21Z)
A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。 TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-01-09T02:15:46Z)

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。