Fugu-MT 論文翻訳(概要): A Near-Optimal Algorithm for Debiasing Trained Machine Learning Models

論文の概要: A Near-Optimal Algorithm for Debiasing Trained Machine Learning Models

arxiv url: http://arxiv.org/abs/2106.12887v1
Date: Sun, 6 Jun 2021 09:45:37 GMT
ステータス: 処理完了
システム内更新日: 2021-06-27 09:03:37.314191
Title: A Near-Optimal Algorithm for Debiasing Trained Machine Learning Models
Title（参考訳）: 訓練された機械学習モデルに対するほぼ最適アルゴリズム
Authors: Ibrahim Alabdulmohsin and Mario Lucic
Abstract要約: 我々は、深層ニューラルネットワーク(DNN)を含む訓練済みモデルのデバイアス化のためのスケーラブルな後処理アルゴリズムを提案する。過剰なベイズリスクを限定することで、ほぼ最適であることを証明します。標準ベンチマークデータセットでその利点を実証的に検証する。
参考スコア（独自算出の注目度）: 21.56208997475512
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a scalable post-processing algorithm for debiasing trained models, including deep neural networks (DNNs), which we prove to be near-optimal by bounding its excess Bayes risk. We empirically validate its advantages on standard benchmark datasets across both classical algorithms as well as modern DNN architectures and demonstrate that it outperforms previous post-processing methods while performing on par with in-processing. In addition, we show that the proposed algorithm is particularly effective for models trained at scale where post-processing is a natural and practical choice.
Abstract（参考訳）: 我々は、深層ニューラルネットワーク(DNN)を含む訓練されたモデルのバイアス軽減のためのスケーラブルな後処理アルゴリズムを提案する。我々は、古典的アルゴリズムと現代のDNNアーキテクチャの両方にわたる標準ベンチマークデータセットにおけるその利点を実証的に検証し、従来の後処理手法よりも優れた性能を示しながら、インプロセッシングと同等の性能を発揮した。さらに,提案アルゴリズムは,ポストプロセッシングが自然かつ実用的な選択肢である大規模モデルにおいて,特に有効であることを示す。

関連論文リスト

Enhancing CNN Classification with Lamarckian Memetic Algorithms and Local Search [0.0]
そこで本研究では,局所探索機能を組み込んだ2段階学習手法と集団最適化アルゴリズムを併用した新しい手法を提案する。実験の結果,提案手法は最先端の勾配に基づく手法よりも優れていた。
論文参考訳（メタデータ） (2024-10-26T17:31:15Z)
Unifying back-propagation and forward-forward algorithms through model predictive control [12.707050104493218]
深層ニューラルネットワークのトレーニングのためのモデル予測制御フレームワークを提案する。同時に、様々なルック・フォワードの水平線を持つ様々な中間訓練アルゴリズムが生まれる。我々は、このトレードオフを深い線形ネットワーク上で正確に分析する。
論文参考訳（メタデータ） (2024-09-29T05:35:39Z)
A lifted Bregman strategy for training unfolded proximal neural network Gaussian denoisers [8.343594411714934]
屈曲した近位ニューラルネットワーク(PNN)は、深層学習と近位最適化のアプローチを組み合わせた一連の手法である。展開されたPNNに対するBregman距離に基づく揚力トレーニングの定式化を提案する。画像復調の数値シミュレーションにより,提案したPNNのトレーニング手法の挙動を評価する。
論文参考訳（メタデータ） (2024-08-16T13:41:34Z)
The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。本稿では,凸型神経回復モデルについて検討する。定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文参考訳（メタデータ） (2023-12-19T23:04:56Z)
Quantifying uncertainty for deep learning based forecasting and flow-reconstruction using neural architecture search ensembles [0.8258451067861933]
本稿では,ディープニューラルネットワーク(DNN)の自動検出手法を提案するとともに,アンサンブルに基づく不確実性定量化にも有効であることを示す。提案手法は,タスクの高パフォーマンスニューラルネットワークアンサンブルを検出するだけでなく,不確実性をシームレスに定量化する。本研究では, 歴史的データからの予測と, 海面温度のスパースセンサからのフロー再構成という2つの課題に対して, この枠組みの有効性を実証する。
論文参考訳（メタデータ） (2023-02-20T03:57:06Z)
Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文参考訳（メタデータ） (2022-10-02T05:03:38Z)
DLCFT: Deep Linear Continual Fine-Tuning for General Incremental Learning [29.80680408934347]
事前学習した表現からモデルを連続的に微調整するインクリメンタルラーニングのための代替フレームワークを提案する。本手法は, ニューラルネットワークの線形化手法を利用して, 単純かつ効果的な連続学習を行う。本手法は,データ増分,タスク増分およびクラス増分学習問題において,一般的な連続学習設定に適用可能であることを示す。
論文参考訳（メタデータ） (2022-08-17T06:58:14Z)
Scalable computation of prediction intervals for neural networks via matrix sketching [79.44177623781043]
既存の不確実性推定アルゴリズムでは、モデルアーキテクチャとトレーニング手順を変更する必要がある。本研究では、与えられたトレーニングされたニューラルネットワークに適用し、近似予測間隔を生成できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-06T13:18:31Z)
Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文参考訳（メタデータ） (2022-05-03T07:54:56Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
論文参考訳（メタデータ） (2020-12-11T14:33:27Z)

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。