論文の概要: Ensembles for Uncertainty Estimation: Benefits of Prior Functions and Bootstrapping

• arxiv url: http://arxiv.org/abs/2206.03633v1
• Date: Wed, 8 Jun 2022 01:36:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-09 12:32:05.235602
• Title: Ensembles for Uncertainty Estimation: Benefits of Prior Functions and Bootstrapping
• Title（参考訳）: 不確実性推定のためのアンサンブル:事前関数とブートストラップの利点
• Authors: Vikranth Dwaracherla, Zheng Wen, Ian Osband, Xiuyuan Lu, Seyed Mohammad Asghari, Benjamin Van Roy
• Abstract要約: 機械学習では、エージェントは効率的に探索し適応するために不確実性を推定する必要がある。 先行関数は入力間のアンサンブルエージェントの結合予測を大幅に改善できることを示す。 また,信号と雑音の比が入力毎に異なる場合,ブートストレッピングによってさらなるメリットが得られることを示す。
• 参考スコア（独自算出の注目度）: 27.076321280462057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In machine learning, an agent needs to estimate uncertainty to efficiently explore and adapt and to make effective decisions. A common approach to uncertainty estimation maintains an ensemble of models. In recent years, several approaches have been proposed for training ensembles, and conflicting views prevail with regards to the importance of various ingredients of these approaches. In this paper, we aim to address the benefits of two ingredients -- prior functions and bootstrapping -- which have come into question. We show that prior functions can significantly improve an ensemble agent's joint predictions across inputs and that bootstrapping affords additional benefits if the signal-to-noise ratio varies across inputs. Our claims are justified by both theoretical and experimental results.
• Abstract（参考訳）: 機械学習では、エージェントは不確実性を推定し、効率的に探索し、適応し、効果的な決定を行う必要がある。 不確実性推定に対する一般的なアプローチは、モデルのアンサンブルを維持する。 近年、アンサンブルの訓練にいくつかのアプローチが提案されており、これらのアプローチの様々な要素の重要性に関して対立する見解が有力である。 本稿では,問題となる2つの材料(プライオリ機能とブートストラップ)の利点について考察する。 先行関数は入力間でのアンサンブルエージェントの関節予測を著しく改善し,信号-雑音比が入力間で異なる場合,ブートストレッピングにより追加の利益が得られることを示す。 我々の主張は理論と実験の両方の結果によって正当化される。

関連論文リスト

• Prediction-Powered E-Values [0.66567375919026]
  予測型推論のアイデアをe-valueに適用する。 e-values でフレーム化できるすべての推論手順には予測機能があることを示す。 私たちのアプローチはモジュール化されており、既存のアルゴリズムに簡単に統合できます。
  論文  参考訳（メタデータ） (2025-02-06T18:36:01Z)
• A decision-theoretic model for a principal-agent collaborative learning problem [0.0]
  本稿では,主成分が適切な凝集係数の集合を決定する主成分設定を伴う協調学習フレームワークについて考察する。 提案したフレームワークは安定性と一般化の点でいくつかの利点があるが、主役とエージェントは必ずしもサンプル分布や互いのデータセットの品質を知る必要はない。
  論文  参考訳（メタデータ） (2024-09-24T13:08:51Z)
• Weighted Aggregation of Conformity Scores for Classification [9.559062601251464]
  コンフォーマル予測は、有効なカバレッジ保証を備えた予測セットを構築するための強力なフレームワークである。 本稿では,共形予測器の性能向上のために,複数のスコア関数を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-14T14:58:03Z)
• Nuisance Function Tuning and Sample Splitting for Optimal Doubly Robust Estimation [5.018363990542611]
  二重頑健な非パラメトリック関数に対する収束率の最適値を求めるために、ニュアンス関数を推定する方法の問題点を考察する。 プラグインおよび一階偏り補正された推定器は、ニュアンス関数のすべてのH"古い滑らか度クラスに対して収束の最小値が得られることを示す。
  論文  参考訳（メタデータ） (2022-12-30T18:17:06Z)
• What Should I Know? Using Meta-gradient Descent for Predictive Feature Discovery in a Single Stream of Experience [63.75363908696257]
  計算強化学習は、未来の感覚の予測を通じて、エージェントの世界の知覚を構築しようとする。 この一連の作業において、オープンな課題は、エージェントがどの予測が意思決定を最も支援できるかを、無限に多くの予測から決定することである。 本稿では,エージェントが何を予測するかを学習するメタ段階的な降下過程,(2)選択した予測の見積もり,3)将来の報酬を最大化するポリシーを生成する方法を紹介する。
  論文  参考訳（メタデータ） (2022-06-13T21:31:06Z)
• Causal Inference Under Unmeasured Confounding With Negative Controls: A Minimax Learning Approach [84.29777236590674]
  すべての共同設立者が観察されず、代わりに負の制御が利用可能である場合の因果パラメータの推定について検討する。 最近の研究は、2つのいわゆるブリッジ関数による同定と効率的な推定を可能にする方法を示している。
  論文  参考訳（メタデータ） (2021-03-25T17:59:19Z)
• Demarcating Endogenous and Exogenous Opinion Dynamics: An Experimental Design Approach [27.975266406080152]
  本稿では,実験的な設計手法に基づく教師なし分類手法のスイートを設計する。 平均推定誤差の異なる測度を最小化するイベントのサブセットを選択することを目的としている。 我々の実験は、不衛生事象や衛生事象に対する予測性能の検証から、様々な大きさの最適なサブセットを選択する効果の検証まで多岐にわたる。
  論文  参考訳（メタデータ） (2021-02-11T11:38:15Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
  ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。 画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-09T12:26:27Z)
• Combining Task Predictors via Enhancing Joint Predictability [53.46348489300652]
  そこで本研究では,目標予測能力に基づいて参照の関連性を測定し,その関連性を高めるための新しい予測器組合せアルゴリズムを提案する。 提案アルゴリズムはベイズフレームワークを用いて,すべての参照の関連性について共同で評価する。 視覚属性ランキングとマルチクラス分類シナリオから得られた実世界の7つのデータセットの実験に基づいて,本アルゴリズムが性能向上に寄与し,既存の予測器の組み合わせアプローチの適用範囲を広くすることを示した。
  論文  参考訳（メタデータ） (2020-07-15T21:58:39Z)
• Mixability of Integral Losses: a Key to Efficient Online Aggregation of Functional and Probabilistic Forecasts [72.32459441619388]
  基本混合(および指数的に凹)損失関数を適用して機能的予測を比較し、これらの適応が混合可能であることを証明する(exp-concave)。 主な結果の応用として、確率予測に使用される様々な損失関数が混合可能であることを示す(exp-concave)。
  論文  参考訳（メタデータ） (2019-12-15T14:25:33Z)

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。