Fugu-MT 論文翻訳(概要): Simple and near-optimal algorithms for hidden stratification and multi-group learning

論文の概要: Simple and near-optimal algorithms for hidden stratification and multi-group learning

arxiv url: http://arxiv.org/abs/2112.12181v2
Date: Fri, 14 Jun 2024 19:39:04 GMT
ステータス: 処理完了
システム内更新日: 2024-06-19 13:36:52.707212
Title: Simple and near-optimal algorithms for hidden stratification and multi-group learning
Title（参考訳）: 隠れ層化と多群学習のための単純・近最適アルゴリズム
Authors: Christopher Tosh, Daniel Hsu,
Abstract要約: 本稿では,多群学習問題に対する解の構造について考察する。学習問題に対して単純でほぼ最適のアルゴリズムを提供する。
参考スコア（独自算出の注目度）: 13.337579367787253
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multi-group agnostic learning is a formal learning criterion that is concerned with the conditional risks of predictors within subgroups of a population. The criterion addresses recent practical concerns such as subgroup fairness and hidden stratification. This paper studies the structure of solutions to the multi-group learning problem, and provides simple and near-optimal algorithms for the learning problem.
Abstract（参考訳）: マルチグループ非依存学習は、集団のサブグループ内の予測者の条件付きリスクに関連する形式的な学習基準である。この基準は、サブグループフェアネスや隠れ層化といった最近の実践的な懸念に対処している。本稿では,多群学習問題に対する解の構造を考察し,学習問題に対する単純で近似的なアルゴリズムを提案する。

関連論文リスト

Group-wise oracle-efficient algorithms for online multi-group learning [12.664869982542895]
本研究では,オンライン学習者が,集団の系列に対応するサブシーケンスの集合に対して,小さな予測後悔を同時に達成しなければならない学習モデルである,オンライン多群学習の課題について検討する。本稿では, 逆数および逆数変換の設定を含む, 種々の条件下で, サブ線形後悔を伴うオラクル効率のアルゴリズムを設計する。
論文参考訳（メタデータ） (2024-06-07T23:00:02Z)
Multi-group Learning for Hierarchical Groups [12.473780585666768]
我々は、多群学習の研究を、群が階層的に構造化される自然の場合にまで拡張する。そこで我々は,ほぼ最適なサンプル量を持つ解釈可能かつ決定論的決定木予測器を出力するアルゴリズムを設計する。
論文参考訳（メタデータ） (2024-02-01T01:06:32Z)
A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文参考訳（メタデータ） (2024-01-26T14:21:45Z)
Group conditional validity via multi-group learning [5.797821810358083]
本研究では,分布自由な共形予測の問題と群条件妥当性の基準について考察する。既存の方法は、制限的群化構造または分布的仮定の下でそのような保証を達成する。マルチグループ学習と呼ばれる問題に対して,アルゴリズムを活用することにより,個人集団に対する妥当性保証を実現する問題に対する簡易な削減を提案する。
論文参考訳（メタデータ） (2023-03-07T15:51:03Z)
Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
論文参考訳（メタデータ） (2022-10-13T06:04:43Z)
Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
論文参考訳（メタデータ） (2021-10-06T09:47:41Z)
Algorithm Selection on a Meta Level [58.720142291102135]
本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
論文参考訳（メタデータ） (2021-07-20T11:23:21Z)
Certifiably Polynomial Algorithm for Best Group Subset Selection [0.9667631210393929]
ベストグループサブセットの選択は、応答変数の最良の解釈可能性を達成するために重複しないグループの小さな部分を選択することを目的としている。有効群を反復的に検出し,無力群を除外するグループスプライシングアルゴリズムを提案する。提案手法の効率と精度を,合成データセットと実世界のデータセットを比較して検証する。
論文参考訳（メタデータ） (2021-04-23T03:05:11Z)
Provably Efficient Exploration for Reinforcement Learning Using Unsupervised Learning [96.78504087416654]
強化学習(RL)問題における効率的な探索に教師なし学習を用い,本パラダイムが有効であるかどうかを考察する。本稿では,教師なし学習アルゴリズムと非線形表RLアルゴリズムという,2つのコンポーネント上に構築された汎用的なアルゴリズムフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-15T19:23:59Z)
Optimal Clustering from Noisy Binary Feedback [75.17453757892152]
本稿では,二元的ユーザフィードバックから一組のアイテムをクラスタリングする問題について検討する。最小クラスタ回復誤差率のアルゴリズムを考案する。適応選択のために,情報理論的誤差下界の導出にインスパイアされたアルゴリズムを開発する。
論文参考訳（メタデータ） (2019-10-14T09:18:26Z)

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。