論文の概要: An Exploration of Multicalibration Uniform Convergence Bounds
- arxiv url: http://arxiv.org/abs/2202.04530v1
- Date: Wed, 9 Feb 2022 15:48:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 15:38:03.649562
- Title: An Exploration of Multicalibration Uniform Convergence Bounds
- Title（参考訳）: 多重校正一様収束境界の探索
- Authors: Harrison Rosenberg, Robi Bhattacharjee, Kassem Fawaz, and Somesh Jha
- Abstract要約: 本稿では,経験的リスク最小化学習のためのサンプル複雑度を再パラメータ化することにより,多重校正誤差の均一収束境界を求めるフレームワークを提案する。
この枠組みから,マルチキャリブレーション誤差は分類器のアーキテクチャや基礎となるデータ分布に依存することを示す。
- 参考スコア（独自算出の注目度）: 25.500680663483624
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent works have investigated the sample complexity necessary for fair
machine learning. The most advanced of such sample complexity bounds are
developed by analyzing multicalibration uniform convergence for a given
predictor class. We present a framework which yields multicalibration error
uniform convergence bounds by reparametrizing sample complexities for Empirical
Risk Minimization (ERM) learning. From this framework, we demonstrate that
multicalibration error exhibits dependence on the classifier architecture as
well as the underlying data distribution. We perform an experimental evaluation
to investigate the behavior of multicalibration error for different families of
classifiers. We compare the results of this evaluation to multicalibration
error concentration bounds. Our investigation provides additional perspective
on both algorithmic fairness and multicalibration error convergence bounds.
Given the prevalence of ERM sample complexity bounds, our proposed framework
enables machine learning practitioners to easily understand the convergence
behavior of multicalibration error for a myriad of classifier architectures.
- Abstract（参考訳）: 最近の研究では、公平な機械学習に必要なサンプルの複雑さが研究されている。
そのようなサンプルの複雑性境界の最も進んだ部分は、与えられた予測クラスに対する多重校正均一収束を解析することによって展開される。
本稿では、経験的リスク最小化(ERM)学習のためのサンプル複雑度を再パラメータ化することにより、多重校正誤差の一様収束境界を求めるフレームワークを提案する。
このフレームワークから,マルチキャリブレーションエラーは,分類器アーキテクチャや基礎となるデータ分散に依存することを実証する。
異なる分類器群に対するマルチキャリブレーション誤差の挙動を実験的に検討する。
この評価結果と多重校正誤差濃度境界との比較を行った。
本研究は,アルゴリズム的公平性とマルチキャリブレーション誤差収束限界の両方について,さらなる視点を提供する。
ERMサンプルの複雑性境界の頻度を考慮すると、機械学習の実践者は、無数の分類器アーキテクチャに対する多重校正誤差の収束挙動を容易に理解することができる。
関連論文リスト
- Bridging Multicalibration and Out-of-distribution Generalization Beyond Covariate Shift [44.708914058803224]
マルチキャリブレーションによるアウト・オブ・ディストリビューションの一般化のための新しいモデルに依存しない最適化フレームワークを構築した。
本稿では,マルチキャリブレーションとアウト・オブ・ディストリビューションの一般化を両立させるポストプロセッシングアルゴリズムMC-Pseudolabelを提案する。
論文 参考訳（メタデータ） (2024-06-02T08:11:35Z) - Trade-off Between Dependence and Complexity for Nonparametric Learning
-- an Empirical Process Approach [10.27974860479791]
データが時間的依存を示す多くのアプリケーションでは、対応する経験的プロセスは理解されていない。
標準的な$beta/rho$-mixingの仮定の下では、経験過程の期待上限に一般化する。
長距離依存下であっても、i.d.設定と同じ速度で達成できることが示される。
論文 参考訳（メタデータ） (2024-01-17T05:08:37Z) - Optimal Multi-Distribution Learning [88.3008613028333]
マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。
本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-12-08T16:06:29Z) - A Unifying Perspective on Multi-Calibration: Game Dynamics for
Multi-Objective Learning [63.20009081099896]
マルチキャリブレーション予測器の設計と解析のための統一フレームワークを提供する。
ゲームダイナミクスとの接続を利用して,多様なマルチ校正学習問題に対する最先端の保証を実現する。
論文 参考訳（メタデータ） (2023-02-21T18:24:17Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - Pairwise Learning via Stagewise Training in Proximal Setting [0.0]
非平滑凸対損失関数の収束保証と、適応的なサンプルサイズとペアワイズ学習のための重要サンプリング手法を組み合わせる。
それぞれに逆のインスタンスをサンプリングすると勾配の分散が減少し、収束が加速することを示した。
論文 参考訳（メタデータ） (2022-08-08T11:51:01Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳（メタデータ） (2021-12-07T01:23:20Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。
テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。
以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文 参考訳（メタデータ） (2020-06-22T21:12:31Z) - Sample Complexity of Uniform Convergence for Multicalibration [43.10452387619829]
多重校正誤差に対処し、予測誤差から分離する。
我々の研究は、多重校正誤差の統一収束保証のためのサンプル複雑性境界を与える。
論文 参考訳（メタデータ） (2020-05-04T18:01:38Z)
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。