論文の概要: Meta Two-Sample Testing: Learning Kernels for Testing with Limited Data

• arxiv url: http://arxiv.org/abs/2106.07636v1
• Date: Mon, 14 Jun 2021 17:52:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 16:37:03.762076
• Title: Meta Two-Sample Testing: Learning Kernels for Testing with Limited Data
• Title（参考訳）: Meta Two-Sample Testing: 限られたデータでテストするカーネルを学ぶ
• Authors: Feng Liu and Wenkai Xu and Jie Lu and Danica J. Sutherland
• Abstract要約: メタ2サンプルテスト(M2ST)の問題点について紹介する。 M2STは、関連するタスクの補助的データを利用して、新しいターゲットタスクの強力なテストを素早く特定できるアルゴリズムを見つけることを目的としている。 提案するメタテスト方式は,少ない観察結果から直接,学習カーネルベースのテストより優れているという理論的正当性および実証的証拠を提供する。
• 参考スコア（独自算出の注目度）: 21.596650236820377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern kernel-based two-sample tests have shown great success in distinguishing complex, high-dimensional distributions with appropriate learned kernels. Previous work has demonstrated that this kernel learning procedure succeeds, assuming a considerable number of observed samples from each distribution. In realistic scenarios with very limited numbers of data samples, however, it can be challenging to identify a kernel powerful enough to distinguish complex distributions. We address this issue by introducing the problem of meta two-sample testing (M2ST), which aims to exploit (abundant) auxiliary data on related tasks to find an algorithm that can quickly identify a powerful test on new target tasks. We propose two specific algorithms for this task: a generic scheme which improves over baselines and amore tailored approach which performs even better. We provide both theoretical justification and empirical evidence that our proposed meta-testing schemes out-perform learning kernel-based tests directly from scarce observations, and identify when such schemes will be successful.
• Abstract（参考訳）: 現代のカーネルベースの2サンプルテストは、適切な学習されたカーネルで複雑な高次元分布を区別することに成功した。 以前の研究は、各分布からかなりの数の観測サンプルを仮定して、このカーネル学習が成功することを示した。 しかし、非常に限られた数のデータサンプルを持つ現実的なシナリオでは、複雑な分布を識別できるほど強力なカーネルを特定するのは困難である。 本稿では,メタ2サンプルテスト(Meta Two-sample Testing, M2ST)の課題に対処する。これは,関連するタスクの補助的データを利用して,新しいターゲットタスクの強力なテストを素早く特定できるアルゴリズムを見つけることを目的としている。 我々は,このタスクに対して,ベースラインよりも改良した汎用スキームと,さらによく機能するよりカスタマイズされたアプローチという2つのアルゴリズムを提案する。 提案するメタテスト方式は,カーネルベースの試験を少ない観測結果から直接的に評価し,いつその手法が成功するかを示す理論的正当性と実証的証拠の両方を提供する。

関連論文リスト

• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• Multimodal Multi-User Surface Recognition with the Kernel Two-Sample Test [15.051737123188174]
  分類タスクに不均一なデータソースを扱えるフレームワークを提案する。 我々のデータ逆データアプローチは,高次元空間における分布の差分を自動的に定量化する。 我々は108のサーフェスクラスを持つ標準マルチユーザーデータセットで97.2%の精度を達成し、タスクのより難しいバージョンでは最先端の機械学習アルゴリズムを6%上回った。
  論文  参考訳（メタデータ） (2023-03-08T22:58:55Z)
• Boosting the Power of Kernel Two-Sample Tests [4.07125466598411]
  最大平均誤差(MMD)に基づくカーネル2サンプルテストは、一般的な距離空間上の2つの分布の違いを検出する最も一般的な方法の1つである。 マハラノビス距離を用いて,複数のカーネル上でMDD推定値を組み合わせることで,カーネルテストのパワーを高める手法を提案する。
  論文  参考訳（メタデータ） (2023-02-21T14:14:30Z)
• Multi-task Representation Learning for Pure Exploration in Linear Bandits [34.67303292713379]
  線形包帯(RepBAI-LB)におけるベストアーム識別のためのマルチタスク表現学習と文脈線形包帯(RepBPI-CLB)におけるベストポリシー識別について検討する。 これら2つの問題において、全てのタスクが共通の低次元線形表現を共有しており、我々のゴールは、この機能を活用して全てのタスクの最高のアーム(政治)識別プロセスを加速することである。 タスク間の共通表現を学習することで、我々のサンプルの複雑さはタスクを独立して解決するネイティブアプローチよりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-09T05:14:48Z)
• 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)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
  少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。 マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
  論文  参考訳（メタデータ） (2021-05-08T21:24:09Z)
• Distribution Alignment: A Unified Framework for Long-tail Visual Recognition [52.36728157779307]
  長尾視覚認識のための分散アライメント戦略を提案する。 次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。 提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-03-30T14:09:53Z)
• Expert Training: Task Hardness Aware Meta-Learning for Few-Shot Classification [62.10696018098057]
  そこで本研究では,訓練課題を適切に整理するためのメタトレーニング戦略を提案する。 タスクの難易度を推定する訓練手順にタスク難易度認識モジュールを設計して統合する。 miniImageNet と tieredImageNetSketch のデータセットによる実験結果から,メタラーナーは専門家のトレーニング戦略によりより良い結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-13T08:49:00Z)
• Learning Deep Kernels for Non-Parametric Two-Sample Tests [50.92621794426821]
  2組のサンプルが同じ分布から引き出されるかどうかを判定するカーネルベースの2サンプルテストのクラスを提案する。 私たちのテストは、テストパワーを最大化するためにトレーニングされたディープニューラルネットワークによってパラメータ化されたカーネルから構築されます。
  論文  参考訳（メタデータ） (2020-02-21T03:54:23Z)

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。