Fugu-MT 論文翻訳(概要): Bagging Provides Assumption-free Stability

論文の概要: Bagging Provides Assumption-free Stability

arxiv url: http://arxiv.org/abs/2301.12600v3
Date: Thu, 25 Apr 2024 17:59:07 GMT
ステータス: 処理完了
システム内更新日: 2024-04-27 00:27:30.869288
Title: Bagging Provides Assumption-free Stability
Title（参考訳）: Baggingが見積もり不要の安定性を提供
Authors: Jake A. Soloff, Rina Foygel Barber, Rebecca Willett,
Abstract要約: バギングは、機械学習モデルを安定化するための重要なテクニックである。本稿では,任意のモデルに対するバギングの安定性に関する有限サンプル保証を導出する。
参考スコア（独自算出の注目度）: 11.456416081243654
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Bagging is an important technique for stabilizing machine learning models. In this paper, we derive a finite-sample guarantee on the stability of bagging for any model. Our result places no assumptions on the distribution of the data, on the properties of the base algorithm, or on the dimensionality of the covariates. Our guarantee applies to many variants of bagging and is optimal up to a constant. Empirical results validate our findings, showing that bagging successfully stabilizes even highly unstable base algorithms.
Abstract（参考訳）: バギングは、機械学習モデルを安定化するための重要なテクニックである。本稿では,任意のモデルに対するバギングの安定性に関する有限サンプル保証を導出する。この結果から,データの分布,基本アルゴリズムの特性,あるいは共変数の次元性に関する仮定は得られない。私たちの保証は、バッグングの多くの変種に適用され、定数まで最適です。実験結果から, バッグングが高度に不安定なベースアルゴリズムの安定化に成功していることが明らかとなった。

関連論文リスト

Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文参考訳（メタデータ） (2024-07-10T09:13:11Z)
Stability Evaluation via Distributional Perturbation Analysis [28.379994938809133]
分布摂動に基づく安定性評価基準を提案する。我々の安定性評価基準は,エフェダデータの腐敗とエフェサブ人口シフトの両方に対処できる。実証実験により,現実のアプリケーションにまたがる安定性評価基準の実用性を検証する。
論文参考訳（メタデータ） (2024-05-06T06:47:14Z)
Stable Update of Regression Trees [0.0]
本稿では,回帰木という,本質的に説明可能な機械学習手法の安定性に着目した。本稿では,初期モデルの不確実性に基づいてデータポイントを重み付けする正規化手法を提案する。その結果、提案手法は、類似またはより良い予測性能を達成しつつ、安定性の向上を図っている。
論文参考訳（メタデータ） (2024-02-21T09:41:56Z)
Stability Guarantees for Feature Attributions with Multiplicative Smoothing [11.675168649032875]
我々は安定性を信頼性のある特徴帰属法の特性として分析する。このようなモデルを実現するために,Multiplelicative Smoothing (MuS) と呼ばれる平滑化手法を開発した。 LIME や SHAP などの様々な特徴属性法による視覚モデルや言語モデル上で MuS を評価するとともに, MuS が非自明な安定性を保証する特徴属性を付与することを示す。
論文参考訳（メタデータ） (2023-07-12T04:19:47Z)
Reliability-Aware Prediction via Uncertainty Learning for Person Image Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文参考訳（メタデータ） (2022-10-24T17:53:20Z)
Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文参考訳（メタデータ） (2022-10-14T15:20:17Z)
Black box tests for algorithmic stability [10.495496415022064]
アルゴリズムの安定性特性を知ることは、多くの下流アプリケーションにとってしばしば有用である。現在使われている多くの現代的なアルゴリズムは、その安定性の理論的解析には複雑すぎる。
論文参考訳（メタデータ） (2021-11-30T16:36:58Z)
Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文参考訳（メタデータ） (2021-05-17T08:36:18Z)
Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-06-26T13:50:19Z)
Fine-Grained Analysis of Stability and Generalization for Stochastic Gradient Descent [55.85456985750134]
我々は,SGDの反復的リスクによって制御される新しい境界を開発する,平均モデル安定性と呼ばれる新しい安定性尺度を導入する。これにより、最良のモデルの振舞いによって一般化境界が得られ、低雑音環境における最初の既知の高速境界が導かれる。我々の知る限りでは、このことはSGDの微分不能な損失関数でさえも初めて知られている安定性と一般化を与える。
論文参考訳（メタデータ） (2020-06-15T06:30:19Z)

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。