Fugu-MT 論文翻訳(概要): A Note on the Efficient Evaluation of PAC-Bayes Bounds

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

RandALO: Out-of-sample risk estimation in no time flat [5.231056284485742]
クロスバリデーション(CV)は、リスク推定のデファクトスタンダードとして機能するが、計算コスト(リーブ・ワン・アウト・CV)に対して高いバイアス(K$fold CV)の取引が不十分である。本稿では,高次元におけるリスクの一貫した推定器であるとともに,計算コストも$K$-fold CVよりも低いランダム化された約1回のリスク推定器を提案する。
論文参考訳（メタデータ） (2024-09-15T16:10:03Z)
Misclassification excess risk bounds for PAC-Bayesian classification via convexified loss [0.0]
PAC-Bayesian境界は、機械学習で新しい学習アルゴリズムを設計するための貴重なツールである。本稿では、一般化の観点から、PAC-ベイズ境界に頼るのではなく、予想における相対的境界を利用する方法を示す。
論文参考訳（メタデータ） (2024-08-16T11:41:06Z)
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)
Improving Generalization of Complex Models under Unbounded Loss Using PAC-Bayes Bounds [10.94126149188336]
PAC-Bayes学習理論は、テストエラーの厳密な上限を確立することに重点を置いている。 PAC-Bayesトレーニングと呼ばれる最近提案されたトレーニング手順は、これらの境界を最小化するためにモデルを更新する。このアプローチは理論的に健全であり、実際は、経験的リスク最小化(ERM)によって得られたものほど、テストエラーを達成していない。 PAC-Bayes トレーニングアルゴリズムを導入し,性能向上と事前チューニングへの依存度低減を実現した。
論文参考訳（メタデータ） (2023-05-30T17:31:25Z)
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)
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。