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

• arxiv url: http://arxiv.org/abs/2203.13534v2
• Date: Thu, 28 Mar 2024 18:38:18 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 21:15:55.108297
• Title: Generalization bounds for learning under graph-dependence: A survey
• Title（参考訳）: グラフ依存に基づく学習における一般化のバウンダリ--調査
• Authors: Rui-Ray Zhang, Massih-Reza Amini,
• Abstract要約: 我々は、例が依存する学習シナリオと、それらの依存関係が依存グラフによって記述される学習シナリオについて検討する。 グラフ依存的な濃度境界を収集し、ラデマッハの複雑性と安定性の一般化を導出する。 私たちの知る限りでは、この調査はこの種の調査としては初めてである。
• 参考スコア（独自算出の注目度）: 4.220336689294245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional statistical learning theory relies on the assumption that data are identically and independently distributed (i.i.d.). However, this assumption often does not hold in many real-life applications. In this survey, we explore learning scenarios where examples are dependent and their dependence relationship is described by a dependency graph, a commonly utilized model in probability and combinatorics. We collect various graph-dependent concentration bounds, which are then used to derive Rademacher complexity and stability generalization bounds for learning from graph-dependent data. We illustrate this paradigm through practical learning tasks and provide some research directions for future work. To our knowledge, this survey is the first of this kind on this subject.
• Abstract（参考訳）: 従来の統計的学習理論は、データが同一かつ独立に分散されているという仮定に依存している(すなわち、d)。 しかし、この仮定は現実の応用の多くに当てはまらないことが多い。 本研究では,実例が依存する学習シナリオについて,確率とコンビネータのモデルである依存性グラフを用いて記述する。 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の複雑性と安定性の一般化境界を導出する。 本稿では,このパラダイムを実践的な学習タスクを通じて説明し,今後の研究の方向性を示す。 私たちの知る限りでは、この調査はこの種の調査としては初めてである。

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。