論文の概要: Are You Smarter Than a Random Expert? The Robust Aggregation of
Substitutable Signals
- arxiv url: http://arxiv.org/abs/2111.03153v1
- Date: Thu, 4 Nov 2021 20:50:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 03:31:33.297370
- Title: Are You Smarter Than a Random Expert? The Robust Aggregation of
Substitutable Signals
- Title（参考訳）: ランダムの専門家より賢いか?
置換可能な信号のロバスト集約
- Authors: Eric Neyman and Tim Roughgarden
- Abstract要約: 本稿では,幅広い情報構造から専門家の知識を逆選択する文脈において,予測集約の研究を開始する。
投射的代替条件の下では、専門家の予測の平均値を取得することは、ランダムな専門家を信頼する戦略によって大幅に改善される。
本研究では, 専門家の予測を平均化し, 一定の要因によって前者から遠ざかることで平均を極端に推し進めることにより, 集積器の性能保証は, 事前の知識がなくても実現可能であることを示す。
- 参考スコア（独自算出の注目度）: 14.03122229316614
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of aggregating expert forecasts is ubiquitous in fields as
wide-ranging as machine learning, economics, climate science, and national
security. Despite this, our theoretical understanding of this question is
fairly shallow. This paper initiates the study of forecast aggregation in a
context where experts' knowledge is chosen adversarially from a broad class of
information structures. While in full generality it is impossible to achieve a
nontrivial performance guarantee, we show that doing so is possible under a
condition on the experts' information structure that we call \emph{projective
substitutes}. The projective substitutes condition is a notion of informational
substitutes: that there are diminishing marginal returns to learning the
experts' signals. We show that under the projective substitutes condition,
taking the average of the experts' forecasts improves substantially upon the
strategy of trusting a random expert. We then consider a more permissive
setting, in which the aggregator has access to the prior. We show that by
averaging the experts' forecasts and then \emph{extremizing} the average by
moving it away from the prior by a constant factor, the aggregator's
performance guarantee is substantially better than is possible without
knowledge of the prior. Our results give a theoretical grounding to past
empirical research on extremization and help give guidance on the appropriate
amount to extremize.
- Abstract（参考訳）: 専門家の予測を集約する問題は、機械学習、経済学、気候科学、国家安全保障など、幅広い分野に広がっている。
それにもかかわらず、この問題の理論的理解はかなり浅い。
本稿では,幅広い情報構造から専門家の知識を逆選択する文脈において,予測集約の研究を開始する。
一般論では、非自明な性能保証を達成することは不可能であるが、専門家の情報構造上「emph{projective substitutes}」と呼ばれる条件下で行うことは可能であることを示す。
射影置換条件は情報代用の概念であり、専門家の信号を学ぶための限界リターンは減少している。
予測的代替条件下では, 専門家の予測平均は, ランダムな専門家を信頼する戦略により大幅に改善されることを示す。
次に、アグリゲータが事前にアクセス可能な、より寛容な設定を検討します。
我々は,専門家の予測を平均化し,その平均を一定の要因で前者から遠ざけることにより,アグリゲータの性能保証が,前者を知ることなく実現可能であることを示す。
本研究は,過激化に関する過去の実証研究に理論的根拠を与え,過激化の適切な量について指導するのに役立つ。
関連論文リスト
- Robust Decision Aggregation with Adversarial Experts [4.021926055330022]
我々は、真理と敵の双方の専門家が存在する場合に、堅牢な集約問題を考える。
我々は,最悪の情報構造と敵戦略の下で,後悔を最小化する予測を出力する最適なアグリゲータを見つけることを目的とする。
論文 参考訳（メタデータ） (2024-03-13T03:47:08Z) - Inverse Reinforcement Learning with Sub-optimal Experts [56.553106680769474]
与えられた専門家の集合と互換性のある報酬関数のクラスの理論的性質について検討する。
以上の結果から,複数の準最適専門家の存在が,相反する報酬の集合を著しく減少させる可能性が示唆された。
我々は,最適なエージェントの1つに十分近い準最適専門家のパフォーマンスレベルが最適である場合に,最小限の最適化を行う一様サンプリングアルゴリズムを解析する。
論文 参考訳（メタデータ） (2024-01-08T12:39:25Z) - Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳（メタデータ） (2023-10-11T06:51:46Z) - Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
Skipperはモデルベースの強化学習フレームワークである。
これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。
環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
論文 参考訳（メタデータ） (2023-09-30T02:25:18Z) - Incorporating Experts' Judgment into Machine Learning Models [2.5363839239628843]
場合によっては、ドメインの専門家は、機械学習モデルの予測と矛盾する可能性のある期待された結果について判断するかもしれません。
紛争を緩和するために専門家の判断を活用する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-04-24T07:32:49Z) - What Should I Know? Using Meta-gradient Descent for Predictive Feature
Discovery in a Single Stream of Experience [63.75363908696257]
計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。
この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。
本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
論文 参考訳（メタデータ） (2022-06-13T21:31:06Z) - Principled Knowledge Extrapolation with GANs [92.62635018136476]
我々は,知識外挿の新たな視点から,対実合成を研究する。
本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。
提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
論文 参考訳（メタデータ） (2022-05-21T08:39:42Z) - Investigating User Radicalization: A Novel Dataset for Identifying
Fine-Grained Temporal Shifts in Opinion [7.028604573959653]
本稿では,微妙な意見揺らぎをモデル化し,微粒な姿勢を検出するための,革新的な注釈付きデータセットを提案する。
データセットには、時間とともに、および会話スレッド全体で、十分な量のスタンスポラリティとユーザ毎の強度ラベルが含まれている。
すべての投稿は非専門家によって注釈付けされ、データの大部分は専門家によって注釈付けされている。
論文 参考訳（メタデータ） (2022-04-16T09:31:25Z) - Heterogeneous-Agent Trajectory Forecasting Incorporating Class
Uncertainty [54.88405167739227]
本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。
さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。
軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
論文 参考訳（メタデータ） (2021-04-26T10:28:34Z) - Blind Exploration and Exploitation of Stochastic Experts [7.106986689736826]
我々は,後方サンプリング,高信頼境界,経験的Kulback-Leibler分散,およびマルチアームバンディット問題に対するminmax法を用いて,最も信頼性の高い専門家を特定するためのブラインド探索・エクスプロイト(BEE)アルゴリズムを提案する。
本稿では,他の専門家の意見のみを瞬時に活用できる,経験的に実現可能な専門家能力尺度を提案する。
論文 参考訳（メタデータ） (2021-04-02T15:02:02Z) - Gaussian Experts Selection using Graphical Models [7.530615321587948]
ローカル近似は、元のデータセットをサブセットに分割し、各サブセットでローカル専門家を訓練することで、時間の複雑さを低減する。
我々は、専門家間の条件依存を符号化するスパース精度行列を用いて、非方向性のグラフィカルモデルに関する文献からのテクニックを活用し、最も重要な専門家を選択する。
論文 参考訳（メタデータ） (2021-02-02T14:12:11Z)
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。