論文の概要: A Note on the Efficient Evaluation of PAC-Bayes Bounds
- arxiv url: http://arxiv.org/abs/2209.05188v1
- Date: Mon, 12 Sep 2022 12:28:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 12:31:28.592373
- Title: A Note on the Efficient Evaluation of PAC-Bayes Bounds
- Title(参考訳): PAC-Bayes境界の効率評価に関する一考察
- Authors: Felix Biggs
- Abstract要約: PAC-ベイズ理論は、PAC-ベイズ後部のギブスリスクを推定し、バウンドするために用いられる。
文献における多くの研究は、大量のデータセットのパスを必要とする方法を採用し、高い計算コストをもたらす。
この原稿は、データセットサイズの順に計算的な節約を行う、非常に一般的な代替案を提示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: When utilising PAC-Bayes theory for risk certification, it is usually
necessary to estimate and bound the Gibbs risk of the PAC-Bayes posterior. Many
works in the literature employ a method for this which requires a large number
of passes of the dataset, incurring high computational cost. This manuscript
presents a very general alternative which makes computational savings on the
order of the dataset size.
- Abstract(参考訳): リスク認定のためにPAC-Bayes理論を利用する場合、通常、PAC-Bayes後部のギブスリスクを推定し、バウンドする必要がある。
文献の多くの作品は、高い計算コストを伴い、大量のデータセットのパスを必要とする方法を採用している。
この写本は、データセットのサイズの順序で計算を節約する非常に一般的な代替案を提示している。
関連論文リスト
- How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。
モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。
本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
論文 参考訳(メタデータ) (2024-04-04T13:55:06Z) - PAC Verification of Statistical Algorithms [0.10878040851637999]
本研究では,PAC学習目標を満たす仮説(機械学習モデル)を対話的証明を用いて検証する,PAC検証の設定を開発する。
我々は、$mathbbR$を超える間隔の和のPAC検証のためのプロトコルを提案し、そのタスクの提案したプロトコルを改善し、より低い境界の$d$への依存と一致させる。
最終結果は,クエリの制約を満たす統計的アルゴリズムの検証のためのプロトコルである。
論文 参考訳(メタデータ) (2022-11-28T23:57:27Z) - Analyzing Lottery Ticket Hypothesis from PAC-Bayesian Theory Perspective [25.157282476221482]
我々は、PAC-ベイズ理論がLTHと一般化行動の関係を明確に理解できることを示した。
PAC-Bayesバウンダリをスパイク・アンド・スラブ分布を用いて,入賞チケットの分析を行う。
論文 参考訳(メタデータ) (2022-05-15T15:58:27Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - Anti-Concentrated Confidence Bonuses for Scalable Exploration [57.91943847134011]
固有の報酬は、探検と探検のトレードオフを扱う上で中心的な役割を果たす。
楕円ボーナスを効率的に近似するためのエンファンティ集中型信頼境界を導入する。
我々は,Atariベンチマーク上での現代固有の報酬と競合する,深層強化学習のための実用的な変種を開発する。
論文 参考訳(メタデータ) (2021-10-21T15:25:15Z) - Control Variates for Slate Off-Policy Evaluation [112.35528337130118]
多次元動作を伴うバッチ化されたコンテキスト帯域データから政治外評価の問題について検討する。
我々は, PIと自己正規化PIの双方に対して, リスク改善を保証した新しい推定器を得る。
論文 参考訳(メタデータ) (2021-06-15T06:59:53Z) - Optimal Off-Policy Evaluation from Multiple Logging Policies [77.62012545592233]
我々は,複数のロギングポリシからオフ政治評価を行い,それぞれが一定のサイズ,すなわち階層化サンプリングのデータセットを生成する。
複数ロガーのOPE推定器は,任意のインスタンス,すなわち効率のよいインスタンスに対して最小分散である。
論文 参考訳(メタデータ) (2020-10-21T13:43:48Z) - Fast Approximate Bayesian Contextual Cold Start Learning (FAB-COST) [0.0]
The Fast Approximate Bayesian Contextual Cold Start Learning Algorithm (FAB-COST)が提案されている。
これは、ロジスティックな文脈的帯域における従来のラプラス近似よりも精度が向上する。
FAB-COSTは,様々な状況下でのコールドスタートレコメンデーションシステムにおいて,魅力的なアプローチである可能性が高い。
論文 参考訳(メタデータ) (2020-08-18T17:08:39Z) - A Limitation of the PAC-Bayes Framework [32.24251308425503]
我々はPAC-Bayesフレームワークの制限を提示する。
PAC-Bayes解析には適さない簡単な学習課題を実演する。
論文 参考訳(メタデータ) (2020-06-24T06:36:00Z) - PAC-Bayes Analysis Beyond the Usual Bounds [16.76187007910588]
本研究では,学習者が学習例の有限セットを観察する学習モデルに焦点を当てる。
学習したデータ依存分布はランダム化予測に使用される。
論文 参考訳(メタデータ) (2020-06-23T14:30:24Z) - Hierarchical Adaptive Contextual Bandits for Resource Constraint based
Recommendation [49.69139684065241]
コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。
本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
論文 参考訳(メタデータ) (2020-04-02T17:04:52Z)
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。