論文の概要: PAC-Learning Uniform Ergodic Communicative Networks
- arxiv url: http://arxiv.org/abs/2111.10708v1
- Date: Sun, 21 Nov 2021 01:08:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-24 10:00:36.731117
- Title: PAC-Learning Uniform Ergodic Communicative Networks
- Title（参考訳）: pac学習用一様エルゴード通信ネットワーク
- Authors: Yihan He
- Abstract要約: 本研究では,一様エルゴディックなランダムグラフプロセスからサンプルを抽出するシナリオについて検討した。
二項分類問題に対して、得られた結果は、最悪の場合の理論的限界として一様学習能力を与える。
この研究で高確率境界を得るために用いられる技術は、ネットワーク構造を伴わずに他の混合プロセスに独立した関心を持つ。
- 参考スコア（独自算出の注目度）: 1.0878040851638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work addressed the problem of learning a network with communication
between vertices. The communication between vertices is presented in the form
of perturbation on the measure. We studied the scenario where samples are drawn
from a uniform ergodic Random Graph Process (RGPs for short), which provides a
natural mathematical context for the problem of interest. For the binary
classification problem, the result we obtained gives uniform learn-ability as
the worst-case theoretical limits. We introduced the structural Rademacher
complexity, which naturally fused into the VC theory to upperbound the first
moment. With the martingale method and Marton's coupling, we establish the tail
bound for uniform convergence and give consistency guarantee for empirical risk
minimizer. The technique used in this work to obtain high probability bounds is
of independent interest to other mixing processes with and without network
structure.
- Abstract（参考訳）: 本研究は,頂点間の通信でネットワークを学習する問題に対処する。
頂点間の通信は測度上の摂動という形で提示される。
本研究では,一様エルゴディックなランダムグラフプロセス(RGP)からサンプルを抽出し,興味のある問題に対する自然な数学的文脈を提供するシナリオについて検討した。
二元分類問題において, 得られた結果は一様学習可能性を与え, 最悪の場合の理論的限界となる。
私たちは構造的ラデマッハの複雑さを導入し、vc理論に自然に融合して最初の瞬間を上向きにした。
martingale法とmartonのカップリングにより、一様収束のためのテールバウンドを確立し、経験的リスク最小化のための一貫性を保証する。
この研究で高確率境界を得るために用いられる技術は、ネットワーク構造を伴わずに他の混合プロセスに独立した関心を持つ。
関連論文リスト
- Byzantine-Robust and Communication-Efficient Distributed Learning via Compressed Momentum Filtering [17.446431849022346]
分散学習は、プライベートデータサイロにわたる大規模機械学習モデルをトレーニングするための標準アプローチとなっている。
堅牢性とコミュニケーションの保存に関する重要な課題に直面している。
本稿では,ビザンチン・ロバスト・コミュニケーション効率の高い分散学習手法を提案する。
論文 参考訳（メタデータ） (2024-09-13T08:53:10Z) - HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。
HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-05-27T11:04:05Z) - CoRMF: Criticality-Ordered Recurrent Mean Field Ising Solver [4.364088891019632]
我々は、RNNに基づく効率的なIsingモデル解法、Criticality-ordered Recurrent Mean Field (CoRMF)を提案する。
基礎となるIsingグラフの近似木構造を利用することで、新しく得られた臨界度順序は、変動平均場とRNNの統一を可能にする。
CoRFMはデータ/証拠のない自己学習方式でIsing問題を解き、RNNから直接サンプリングすることで推論タスクを実行することができる。
論文 参考訳（メタデータ） (2024-03-05T16:55:06Z) - Stochastic Unrolled Federated Learning [85.6993263983062]
本稿では,UnRolled Federated Learning (SURF)を導入する。
提案手法は,この拡張における2つの課題,すなわち,非学習者へのデータセット全体の供給の必要性と,フェデレート学習の分散的性質に対処する。
論文 参考訳（メタデータ） (2023-05-24T17:26:22Z) - Federated Learning for Heterogeneous Bandits with Unobserved Contexts [0.0]
我々は、未知のコンテキストを持つ多腕コンテキスト包帯のフェデレーション問題について検討する。
線形パラメタライズされた報酬関数に対して,除去に基づくアルゴリズムを提案し,後悔の束縛を証明した。
論文 参考訳（メタデータ） (2023-03-29T22:06:24Z) - Optimal Algorithms for Stochastic Complementary Composite Minimization [55.26935605535377]
統計学と機械学習における正規化技術に触発され,補完的な複合化の最小化について検討した。
予測と高い確率で、新しい過剰なリスク境界を提供する。
我々のアルゴリズムはほぼ最適であり、このクラスの問題に対して、新しいより低い複雑性境界によって証明する。
論文 参考訳（メタデータ） (2022-11-03T12:40:24Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Semi-Supervised Clustering of Sparse Graphs: Crossing the
Information-Theoretic Threshold [3.6052935394000234]
ブロックモデルは、ネットワーク構造データのクラスタリングとコミュニティ検出のための標準ランダムグラフモデルである。
ネットワークトポロジに基づく推定器は、モデルパラメータが一定の閾値以下である場合、スパースグラフの確率よりも大幅に向上する。
パラメータ領域全体でラベルの任意の部分で実現可能であることを示す。
論文 参考訳（メタデータ） (2022-05-24T00:03:25Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳（メタデータ） (2021-07-31T10:25:26Z) - Mitigating Performance Saturation in Neural Marked Point Processes:
Architectures and Loss Functions [50.674773358075015]
本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。
我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
論文 参考訳（メタデータ） (2021-07-07T16:59:14Z)
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。