論文の概要: Empirical Bayes approach to Truth Discovery problems

• arxiv url: http://arxiv.org/abs/2206.04816v1
• Date: Thu, 9 Jun 2022 23:51:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 02:42:30.868920
• Title: Empirical Bayes approach to Truth Discovery problems
• Title（参考訳）: 真理発見問題に対する経験的ベイズアプローチ
• Authors: Tsviel Ben Shabat, Reshef Meir, David Azriel
• Abstract要約: 経験的ベイズ推定器(EBE)は任意のTDアルゴリズムの第2ステップとして使用でき、期待される誤差を減らすことができる。 本研究の主な成果は,ETEを任意のTDアルゴリズムの第2ステップとして用いることで,予測誤差を低減できることである。
• 参考スコア（独自算出の注目度）: 4.737519767218666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When aggregating information from conflicting sources, one's goal is to find the truth. Most real-value \emph{truth discovery} (TD) algorithms try to achieve this goal by estimating the competence of each source and then aggregating the conflicting information by weighing each source's answer proportionally to her competence. However, each of those algorithms requires more than a single source for such estimation and usually does not consider different estimation methods other than a weighted mean. Therefore, in this work we formulate, prove, and empirically test the conditions for an Empirical Bayes Estimator (EBE) to dominate the weighted mean aggregation. Our main result demonstrates that EBE, under mild conditions, can be used as a second step of any TD algorithm in order to reduce the expected error.
• Abstract（参考訳）: 矛盾する情報源から情報を集約する場合、その真相を見つけることが目的である。 ほとんどの実値 \emph{truth discovery} (TD) アルゴリズムは、各ソースの能力を推定し、各ソースの回答を彼女の能力に比例して評価することで矛盾する情報を集約することで、この目標を達成する。 しかし、これらのアルゴリズムは、これらの推定のために1つ以上のソースを必要とし、通常、重み付け平均以外の異なる推定方法を考慮しない。 そこで本研究では, 経験的ベイズ推定器 (ebe) の条件を定式化し, 証明し, 実証的に検証し, 重み付け平均凝集率を支配した。 本研究の主な成果は,ETEを任意のTDアルゴリズムの第2ステップとして用いることで,予測誤差を低減できることである。

関連論文リスト

• HAVER: Instance-Dependent Error Bounds for Maximum Mean Estimation and Applications to Q-Learning [11.026588768210601]
  そこで本研究では,K$分布中の最大平均値の固有値をサンプルを用いて推定する問題について検討する。 HAVERと呼ばれる新しいアルゴリズムを提案し,その平均二乗誤差を解析する。
  論文  参考訳（メタデータ） (2024-11-01T07:05:11Z)
• Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
  本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。 オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。 提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
  論文  参考訳（メタデータ） (2024-08-05T03:18:58Z)
• Scalable Decentralized Algorithms for Online Personalized Mean Estimation [12.002609934938224]
  本研究は,各エージェントが実数値分布からサンプルを収集し,その平均値を推定する,オーバーアーキシング問題の簡易版に焦点を当てた。 1つは信念の伝播からインスピレーションを得ており、もう1つはコンセンサスに基づくアプローチを採用している。
  論文  参考訳（メタデータ） (2024-02-20T08:30:46Z)
• Optimizing the Noise in Self-Supervised Learning: from Importance Sampling to Noise-Contrastive Estimation [80.07065346699005]
  GAN(Generative Adversarial Networks)のように、最適な雑音分布はデータ分布に等しくなると広く想定されている。 我々は、この自己教師型タスクをエネルギーベースモデルの推定問題として基礎づけるノイズ・コントラスト推定に目を向ける。 本研究は, 最適雑音のサンプリングは困難であり, 効率性の向上は, データに匹敵する雑音分布を選択することに比べ, 緩やかに行うことができると結論付けた。
  論文  参考訳（メタデータ） (2023-01-23T19:57:58Z)
• Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
  私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。 私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
  論文  参考訳（メタデータ） (2022-07-19T12:52:33Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Unsupervised Multi-source Domain Adaptation Without Access to Source Data [58.551861130011886]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから知識を転送することで、ラベル付きドメインの予測モデルを学ぶことを目的としている。 本稿では,ソースモデルと適切な重み付けを自動的に組み合わせ,少なくとも最良のソースモデルと同等の性能を発揮する新しい効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-05T10:45:12Z)
• High-Dimensional Multi-Task Averaging and Application to Kernel Mean Embedding [0.0]
  マルチタスク平均化問題に対する改善された推定器を提案する。 我々は、この手法が平均二乗誤差の低減をもたらすことを理論的に証明する。 このアプローチの応用は、複数のカーネルの平均埋め込みの推定である。
  論文  参考訳（メタデータ） (2020-11-13T07:31:30Z)
• A Discriminative Technique for Multiple-Source Adaptation [55.5865665284915]
  本稿では,マルチソース適応のための新しい識別手法,MSA,問題を提案する。 我々のソリューションは、ソースドメインからのラベルなしデータから容易に正確に推定できる条件付き確率のみを必要とする。 実世界の応用実験により、新しい識別的MSAアルゴリズムは、以前の生成解よりも優れていたことがさらに証明された。
  論文  参考訳（メタデータ） (2020-08-25T14:06:15Z)

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。