Fugu-MT 論文翻訳(概要): Scaffolding Sets

論文の概要: Scaffolding Sets

arxiv url: http://arxiv.org/abs/2111.03135v1
Date: Thu, 4 Nov 2021 20:01:58 GMT
ステータス: 処理完了
システム内更新日: 2021-11-08 15:13:34.323623
Title: Scaffolding Sets
Title（参考訳）: 足場セット
Authors: Maya Burhanpurkar, Zhun Deng, Cynthia Dwork, Linjun Zhang
Abstract要約: 我々は$mathcal S$に対して多重校正を行う性質を持つ足場集合の構築について検討する。我々のアプローチは、ニューラルネットワークの中間層が高度に構造化され有用なデータ表現を学ぶという民間の知恵にインスパイアされている。
参考スコア（独自算出の注目度）: 10.762749887051545
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predictors map individual instances in a population to the interval $[0,1]$. For a collection $\mathcal C$ of subsets of a population, a predictor is multi-calibrated with respect to $\mathcal C$ if it is simultaneously calibrated on each set in $\mathcal C$. We initiate the study of the construction of scaffolding sets, a small collection $\mathcal S$ of sets with the property that multi-calibration with respect to $\mathcal S$ ensures correctness, and not just calibration, of the predictor. Our approach is inspired by the folk wisdom that the intermediate layers of a neural net learn a highly structured and useful data representation.
Abstract（参考訳）: 予測者は人口の個々のインスタンスを$[0,1]$という間隔にマップする。集団の部分集合の $\mathcal c$ のコレクションに対して、予測器は$\mathcal c$ の中で各集合上で同時に校正される場合、$\mathcal c$ に関して多重連結される。足場集合の構成についての研究を開始し、$\mathcal S$に対して多重校正を行う性質を持つ集合の小さなコレクション$\mathcal S$は、予測器の校正ではなく正当性を保証する。我々のアプローチは、ニューラルネットワークの中間層が高度に構造化され有用なデータ表現を学ぶという民間の知恵に着想を得ている。

関連論文リスト

A Theory of Interpretable Approximations [61.90216959710842]
我々は、ある基底クラス $mathcalH$ の概念の小さな集合によってターゲット概念 $c$ を近似するという考え方を研究する。任意の$mathcalH$と$c$のペアに対して、これらのケースのちょうど1つが成り立つ: (i) $c$を任意の精度で$mathcalH$で近似することはできない。解釈可能な近似の場合、近似の複雑さに関するわずかに非自明なa-priori保証でさえ、定数(分布自由かつ精度)の近似を意味することを示す。
論文参考訳（メタデータ） (2024-06-15T06:43:45Z)
Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文参考訳（メタデータ） (2024-02-06T15:39:09Z)
Learning linear dynamical systems under convex constraints [4.4351901934764975]
線形力学系を単一軌道の$T$サンプルから同定する問題を考察する。 A*$は、制約のない設定に必要な値よりも$T$小さい値を確実に見積もることができる。
論文参考訳（メタデータ） (2023-03-27T11:49:40Z)
HappyMap: A Generalized Multi-calibration Method [23.086009024383024]
マルチキャリブレーション(英: Multi-calibration)はアルゴリズムフェアネスの分野を起源とする、強力で進化した概念である。この研究では、$(f(x)-y)$ という用語を1つの特定の写像とみなし、豊かなクラスの写像のパワーを探求する。マルチキャリブレーションを一般化したtextitHappyMap を提案する。
論文参考訳（メタデータ） (2023-03-08T05:05:01Z)
How Many and Which Training Points Would Need to be Removed to Flip this Prediction? [34.9118528281516]
トレーニングデータの最小サブセットを$mathcalS_t$で識別する問題を考える。トレーニング前に $mathcalS_t$ を含むインスタンスが削除された場合、所定のテストポイント $x_t$ の分類が異なるだろう。影響関数に基づいて$mathcalS_t$を求めるため,比較的高速な近似法を提案する。
論文参考訳（メタデータ） (2023-02-04T13:55:12Z)
Multi-block-Single-probe Variance Reduced Estimator for Coupled Compositional Optimization [49.58290066287418]
構成問題の複雑さを軽減するために,MSVR (Multi-block-probe Variance Reduced) という新しい手法を提案する。本研究の結果は, 試料の複雑さの順序や強靭性への依存など, 様々な面で先行して改善された。
論文参考訳（メタデータ） (2022-07-18T12:03:26Z)
Universal Regular Conditional Distributions via Probability Measure-Valued Deep Neural Models [3.8073142980733]
提案したフレームワークを用いて構築されたモデルはすべて、$C(mathcalX,mathcalP_1(mathcalY))$で密集している。提案モデルはまた、ほとんどのランダム化された機械学習モデルに存在するアレラトリック不確かさを汎用的に表現できることも示している。
論文参考訳（メタデータ） (2021-05-17T11:34:09Z)
Small Covers for Near-Zero Sets of Polynomials and Learning Latent Variable Models [56.98280399449707]
我々は、s$ of cardinality $m = (k/epsilon)o_d(k1/d)$ に対して $epsilon$-cover が存在することを示す。構造的結果に基づいて,いくつかの基本的高次元確率モデル隠れ変数の学習アルゴリズムを改良した。
論文参考訳（メタデータ） (2020-12-14T18:14:08Z)
Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
論文参考訳（メタデータ） (2020-05-29T07:20:35Z)
Robustly Learning any Clusterable Mixture of Gaussians [55.41573600814391]
本研究では,高次元ガウス混合系の対向ロバスト条件下での効率的な学習性について検討する。理論的に最適に近い誤り証明である$tildeO(epsilon)$の情報を、$epsilon$-corrupted $k$-mixtureで学習するアルゴリズムを提供する。我々の主な技術的貢献は、ガウス混合系からの新しい頑健な識別可能性証明クラスターであり、これは正方形の定度証明システムによって捉えることができる。
論文参考訳（メタデータ） (2020-05-13T16:44:12Z)
Sets Clustering [25.358415142404752]
我々は、$O(logn)$集合のコア集合が常に存在することを証明し、$O(nlogn)$ timeで計算することができる。このコアセットに非効率だが最適なアルゴリズムを適用することで、集合-k$-means問題に対する最初のPTAS(1+varepsilon$ approximation)を得ることができる。オープンソースコードと文書分類および施設位置の実験結果も提供される。
論文参考訳（メタデータ） (2020-03-09T13:30:30Z)

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。