Fugu-MT 論文翻訳(概要): Controlling Confusion via Generalisation Bounds

論文の概要: Controlling Confusion via Generalisation Bounds

arxiv url: http://arxiv.org/abs/2202.05560v1
Date: Fri, 11 Feb 2022 11:35:21 GMT
ステータス: 処理完了
システム内更新日: 2022-02-14 14:51:30.476889
Title: Controlling Confusion via Generalisation Bounds
Title（参考訳）: 一般化境界による拡散制御
Authors: Reuben Adams and John Shawe-Taylor and Benjamin Guedj
Abstract要約: PAC-Bayes理論を拡張して、多クラス分類のパフォーマンスのきめ細かい境界を与えることができる。境界は離散化された誤差型の全ての重み付けに一様であるため、トレーニング時に予測されない重み付けに使用できる。
参考スコア（独自算出の注目度）: 10.051153859223172
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We establish new generalisation bounds for multiclass classification by abstracting to a more general setting of discretised error types. Extending the PAC-Bayes theory, we are hence able to provide fine-grained bounds on performance for multiclass classification, as well as applications to other learning problems including discretisation of regression losses. Tractable training objectives are derived from the bounds. The bounds are uniform over all weightings of the discretised error types and thus can be used to bound weightings not foreseen at training, including the full confusion matrix in the multiclass classification case.
Abstract（参考訳）: 本研究では,多重クラス分類のための新しい一般化境界を,より一般的な離散化エラー型に抽象化することで確立する。従って、pac-bayes理論を拡張して、マルチクラス分類のパフォーマンスに関するきめ細かな境界を提供し、回帰損失の離散化を含む他の学習問題にも応用することができる。トラクタブルトレーニングの目的は、境界から導き出される。境界は離散化された誤差型の全ての重み付けに一様であるため、多クラス分類の場合の完全な混乱行列を含む訓練時に予測されない重み付けに使用できる。

関連論文リスト

Of Dice and Games: A Theory of Generalized Boosting [61.752303337418475]
我々は、コスト感受性と多目的損失の両方を組み込むために、ブースティングの有名な理論を拡張した。我々は、コスト感受性と多目的強化の包括的理論を開発し、弱い学習保証の分類を提供する。我々の特徴付けは、昇降の幾何学的解釈に依存しており、コスト感受性と多目的損失の間の驚くべき等価性を明らかにしている。
論文参考訳（メタデータ） (2024-12-11T01:38:32Z)
Orthogonal Causal Calibration [55.28164682911196]
我々は、任意の損失$ell$に対して、任意の因果パラメータのキャリブレーション誤差$theta$の一般的な上限を証明した。我々は、因果校正のための2つのサンプル分割アルゴリズムの収束解析に境界を用いる。
論文参考訳（メタデータ） (2024-06-04T03:35:25Z)
Tighter Generalisation Bounds via Interpolation [16.74864438507713]
本稿では、$(f, Gamma)$-divergenceに基づいて、新しいPAC-Bayes一般化境界を導出するレシピを提案する。また、PAC-Bayes一般化バウンダリでは、一連の確率発散を補間する。
論文参考訳（メタデータ） (2024-02-07T18:55:22Z)
PAC-Bayes-Chernoff bounds for unbounded losses [9.987130158432755]
PAC-Bayes Oracle bound for unbounded loss that extends Cram'er-Chernoff bounds to the PAC-Bayesian set。我々のアプローチは、多くのPAC-Bayes境界における自由パラメータの正確な最適化など、Cram'er-Chernoff境界の性質を自然に活用する。
論文参考訳（メタデータ） (2024-01-02T10:58:54Z)
Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文参考訳（メタデータ） (2023-06-19T18:25:44Z)
PACMAN: PAC-style bounds accounting for the Mismatch between Accuracy and Negative log-loss [28.166066663983674]
分類タスクに対する機械学習アルゴリズムの最終的な性能は通常、テストデータセットに基づく経験的エラー確率(または精度)の観点から測定される。分類タスクの場合、この損失関数はよく知られたクロスエントロピーリスクにつながる負のログロスである。本稿では, 検定のミスマッチを考慮した一般化ギャップに対するポイントワイズPACに基づく分析と, 負のログロスによるトレーニングを提案する。
論文参考訳（メタデータ） (2021-12-10T14:00:22Z)
Unbiased Loss Functions for Multilabel Classification with Missing Labels [2.1549398927094874]
欠落ラベルは、極端なマルチラベル分類(XMC)タスクにおいてユビキタスな現象である。本稿では,異なるマルチラベルリダクションに対する特異な非バイアス推定器を導出する。
論文参考訳（メタデータ） (2021-09-23T10:39:02Z)
Universal Off-Policy Evaluation [64.02853483874334]
ユニバーサルオフ政治推定器(UnO)への第一歩を踏み出す我々は, 平均, 分散, 分位数/中間数, 分位数範囲, cvar, および累積分布全体の推定と同時結合に uno を用いる。
論文参考訳（メタデータ） (2021-04-26T18:54:31Z)
A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
論文参考訳（メタデータ） (2021-01-25T09:46:14Z)
Relative Deviation Margin Bounds [55.22251993239944]
我々はRademacher複雑性の観点から、分布依存と一般家庭に有効な2種類の学習境界を与える。有限モーメントの仮定の下で、非有界な損失関数に対する分布依存的一般化境界を導出する。
論文参考訳（メタデータ） (2020-06-26T12:37:17Z)
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。