論文の概要: Generalization bounds for learning under graph-dependence: A survey

• arxiv url: http://arxiv.org/abs/2203.13534v1
• Date: Fri, 25 Mar 2022 09:33:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-28 12:15:35.500952
• Title: Generalization bounds for learning under graph-dependence: A survey
• Title（参考訳）: グラフ依存学習のための一般化境界:調査
• Authors: Rui-Ray Zhang, Massih-Reza Amini
• Abstract要約: 実例が依存し,その依存関係がグラフによって特徴づけられる学習環境を考える。 グラフ依存濃度境界を収集し、グラフ依存データから学習するためにラデマッハおよび安定性一般化境界を導出する。
• 参考スコア（独自算出の注目度）: 8.807587076209566
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional statistical learning theory relies on the assumption that data are identically and independently generated from a given distribution (i.i.d.). The independently distributed assumption, on the other hand, fails to hold in many real applications. In this survey, we consider learning settings in which examples are dependent and their dependence relationship can be characterized by a graph. We collect various graph-dependent concentration bounds, which are then used to derive Rademacher and stability generalization bounds for learning from graph-dependent data. We illustrate this paradigm with three learning tasks and provide some research directions for future work. To the best of our knowledge, this is the first survey on this subject.
• Abstract（参考訳）: 伝統的な統計的学習理論は、データが与えられた分布(d)から同一かつ独立に生成されるという仮定に依存している。 一方、独立に分散された仮定は、多くの実アプリケーションにおいて成り立たない。 本研究では,実例が依存する学習環境と,その依存関係がグラフによって特徴づけられることを考察する。 様々なグラフ依存濃度境界を収集し、グラフ依存データから学習するためのラデマッハおよび安定性一般化境界を導出する。 このパラダイムを3つの学習タスクで説明し,今後の作業に向けた研究の方向性を示す。 私たちの知る限りでは、この問題に関する最初の調査である。

関連論文リスト

• Online-to-PAC generalization bounds under graph-mixing dependencies [9.763215134790478]
  本稿では,グラフ距離で依存性が崩壊する枠組みを提案する。 オンラインPACフレームワークを活用した一般化バウンダリを導出する。 結果として生じる高確率一般化は、混合率とグラフの色数の両方に依存する。
  論文  参考訳（メタデータ） (2024-10-11T16:49:01Z)
• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Towards Bounding Causal Effects under Markov Equivalence [13.050023008348388]
  観測データのみを用いた因果関係の導出について考察する。 等価クラスの不変性を利用する因果効果のバウンダリを導出する体系的アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-11-13T11:49:55Z)
• Spurious Correlations and Where to Find Them [17.1264393170134]
  モデルがデータから信頼できない特徴を学習すると、余計な相関が生じる。 突発的相関の発生の背後にある、よく研究されている仮説のいくつかを収集する。 因果グラフから生成された合成データセットを用いた標準ERMベースラインへの影響について検討する。
  論文  参考訳（メタデータ） (2023-08-21T21:06:36Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Adaptive Data Analysis with Correlated Observations [21.969356766737622]
  いくつかのケースでは、サンプル内に依存関係がある場合でも、差分プライバシーが保証されることが示されています。 転写圧縮と適応データ解析の関連性は,非ID設定にまで拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-21T14:00:30Z)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)
• Neural Relation Prediction for Simple Question Answering over Knowledge Graph [0.0]
  本稿では,質問の根底にある関係を抽出するインスタンスベースの手法を提案し,その目的のために,新しい質問の一致するパラフレーズを検出する。 提案手法を用いたSimpleQuestionsデータセット実験の結果,提案手法は最先端関係抽出モデルと比較して精度がよいことがわかった。
  論文  参考訳（メタデータ） (2020-02-18T16:41:24Z)

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。