論文の概要: New Insights into Multi-Calibration

• arxiv url: http://arxiv.org/abs/2301.08837v1
• Date: Sat, 21 Jan 2023 00:37:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 16:17:36.808067
• Title: New Insights into Multi-Calibration
• Title（参考訳）: マルチキャリブレーションの新しい知見
• Authors: Cynthia Dwork, Daniel Lee, Huijia Lin, Pranay Tankala
• Abstract要約: 予測アルゴリズムの多群公正性に関する最近の文献と、極端グラフ理論によるグラフ正則性の概念との間には、新たな関連性が存在する。 我々は,結果の不一致の概念と密接に関連している,新しい統計的距離に基づくマルチキャリブレーションの変種を用いて,本研究の枠組みを定式化した。
• 参考スコア（独自算出の注目度）: 17.677928204060628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We identify a novel connection between the recent literature on multi-group fairness for prediction algorithms and well-established notions of graph regularity from extremal graph theory. We frame our investigation using new, statistical distance-based variants of multi-calibration that are closely related to the concept of outcome indistinguishability. Adopting this perspective leads us naturally not only to our graph theoretic results, but also to new multi-calibration algorithms with improved complexity in certain parameter regimes, and to a generalization of a state-of-the-art result on omniprediction. Along the way, we also unify several prior algorithms for achieving multi-group fairness, as well as their analyses, through the lens of no-regret learning.
• Abstract（参考訳）: 本研究では, 予測アルゴリズムに対する多群公平性に関する最近の文献と, 極値グラフ理論から確立されたグラフ正則性の概念との新たな関連を明らかにする。 我々は,結果の不一致の概念と密接に関連している,新しい統計的距離に基づくマルチキャリブレーションの変種を用いて検討を行った。 この観点を採用することは、自然にグラフ理論結果だけでなく、特定のパラメータ構造における複雑性を改善した新しいマルチキャリブレーションアルゴリズムや、オムニプレディションの最先端結果の一般化にも繋がる。 その過程で,マルチグループフェアネスを達成するためのいくつかのアルゴリズムと,その分析を,無回帰学習のレンズを通して統一した。

関連論文リスト

• Proximal Interacting Particle Langevin Algorithms [0.0]
  本稿では,潜時変動モデルにおける推論と学習のためのPIPLAアルゴリズムを提案する。 非微分不可能な統計モデルにおけるパラメータ推定の問題に合わせた、新しい近位IPLAファミリー内のいくつかの変種を提案する。 我々の理論と実験は、PIPLAファミリーが非微分可能モデルの潜在変数モデルにおけるパラメータ推定問題のデファクト選択であることを示している。
  論文  参考訳（メタデータ） (2024-06-20T13:16:41Z)
• Multivariate Bayesian Last Layer for Regression: Uncertainty Quantification and Disentanglement [4.137574627759939]
  異方性雑音下での多変量回帰の設定に新しいベイズラストレイヤーモデルを提案する。 パラメータ学習のための最適化アルゴリズムを提案する。 このフレームワークは、正統的な訓練を受けたディープニューラルネットワークを、不確実性を認識した新しいデータドメインに転送するために使用できることを示す。
  論文  参考訳（メタデータ） (2024-05-02T21:53:32Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• Causal Graph Discovery from Self and Mutually Exciting Time Series [10.410454851418548]
  我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。 Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-01-26T16:15:27Z)
• Accelerated and instance-optimal policy evaluation with linear function approximation [17.995515643150657]
  既存のアルゴリズムはこれらの下界の少なくとも1つと一致しない。 我々は,両下界を同時に一致させる高速時間差分アルゴリズムを開発し,インスタンス最適性という強い概念を実現する。
  論文  参考訳（メタデータ） (2021-12-24T17:21:04Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Causal Graph Discovery from Self and Mutually Exciting Time Series [12.802653884445132]
  我々は,線形プログラムを解くことによって,非漸近的回復保証と定量的不確実性を開発する。 Sepsis Associated Derangements (SAD) による高度に解釈可能な因果DAGの回復におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-04T16:59:24Z)
• Multivariate Deep Evidential Regression [77.34726150561087]
  不確実性を認識するニューラルネットワークによる新しいアプローチは、従来の決定論的手法よりも有望である。 本稿では,レグレッションベースニューラルネットワークからアレータ性およびてんかん性不確かさを抽出する手法を提案する。
  論文  参考訳（メタデータ） (2021-04-13T12:20:18Z)
• Domain Adaptation: Learning Bounds and Algorithms [80.85426994513541]
  本稿では,任意の損失関数を持つ適応問題に適した分布距離,差分距離を新たに導入する。 広い損失関数族に対する領域適応のための新しい一般化境界を導出する。 また、正規化に基づくアルゴリズムの大規模クラスに対する新しい適応境界も提示する。
  論文  参考訳（メタデータ） (2009-02-19T18:42:16Z)

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。