論文の概要: Forecasting Competitions with Correlated Events

• arxiv url: http://arxiv.org/abs/2303.13793v1
• Date: Fri, 24 Mar 2023 04:15:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-27 15:43:10.147512
• Title: Forecasting Competitions with Correlated Events
• Title（参考訳）: 関連イベントによるコンペティション予測
• Authors: Rafael Frongillo, Manuel Lladser, Anish Thilagar, Bo Waggoner
• Abstract要約: フォロー・ザ・レギュラライズド・リーダー(FTRL)に基づく競合機構を提案する。 それらのメカニズムは、$O(log(n)/epsilon2)$イベントのみを使用して、高い確率で$epsilon$-optimal forecasterを選択する。 この相関による分布下では、FTRL機構は$O(b2 log(n)/epsilon2)$イベントを使用して、$epsilon$-Optimalの保証を保持する。
• 参考スコア（独自算出の注目度）: 7.57024681220677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Beginning with Witkowski et al. [2022], recent work on forecasting competitions has addressed incentive problems with the common winner-take-all mechanism. Frongillo et al. [2021] propose a competition mechanism based on follow-the-regularized-leader (FTRL), an online learning framework. They show that their mechanism selects an $\epsilon$-optimal forecaster with high probability using only $O(\log(n)/\epsilon^2)$ events. These works, together with all prior work on this problem thus far, assume that events are independent. We initiate the study of forecasting competitions for correlated events. To quantify correlation, we introduce a notion of block correlation, which allows each event to be strongly correlated with up to $b$ others. We show that under distributions with this correlation, the FTRL mechanism retains its $\epsilon$-optimal guarantee using $O(b^2 \log(n)/\epsilon^2)$ events. Our proof involves a novel concentration bound for correlated random variables which may be of broader interest.
• Abstract（参考訳）: Witkowskiらから始める。 [2022]近年の競争予測に関する研究は、共通の勝者獲得機構によるインセンティブの問題に対処している。 Frongilloなど。 2021] オンライン学習フレームワークであるフォロー・ザ・レギュラライズド・リーダー(FTRL)に基づく競争機構を提案する。 それらのメカニズムは、$O(\log(n)/\epsilon^2)$イベントのみを使用して高い確率で$\epsilon$-optimal forecasterを選択する。 これらの作業は、この問題に関するこれまでのすべての先行作業とともに、イベントが独立していると仮定する。 相関イベントの予測競争に関する研究を開始する。 相関を定量化するために、ブロック相関の概念を導入し、各事象を最大$b$の他の事象と強く相関させることができる。 この相関による分布の下では、FTRL機構は$O(b^2 \log(n)/\epsilon^2)$イベントを使用して、$\epsilon$-optimal guaranteeを保っている。 我々の証明は、より広い関心を持つかもしれない相関確率変数に束縛された新しい濃度を含む。

関連論文リスト

• Improved Convergence Rate for Diffusion Probabilistic Models [7.237817437521988]
  スコアベース拡散モデルは、機械学習と人工知能の分野で顕著な経験的性能を達成した。 多くの理論的な試みにもかかわらず、理論と実践の間には大きなギャップがある。 繰り返しの複雑性を$d2/3varepsilon-2/3$とすると、$d5/12varepsilon-1$よりよい。 我々の理論は、$varepsilon$-accurate score estimatesを許容し、ターゲット分布の対数共振を必要としない。
  論文  参考訳（メタデータ） (2024-10-17T16:37:33Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• Compressed Federated Reinforcement Learning with a Generative Model [11.074080383657453]
  強化学習は近年、前例のない人気を得たが、それでもサンプルの非効率さに悩まされている。 この課題に対処するため、フェデレーション強化学習(FedRL)が出現し、エージェントは局所的な推定を集約することで単一のポリシーを協調的に学習する。 通信効率のよいFedRL手法であるCompFedRLを提案する。
  論文  参考訳（メタデータ） (2024-03-26T15:36:47Z)
• Online Learning with Adversaries: A Differential-Inclusion Analysis [52.43460995467893]
  我々は,完全に非同期なオンラインフェデレート学習のための観察行列ベースのフレームワークを提案する。 我々の主な結果は、提案アルゴリズムがほぼ確実に所望の平均$mu.$に収束することである。 新たな差分包摂型2時間スケール解析を用いて,この収束を導出する。
  論文  参考訳（メタデータ） (2023-04-04T04:32:29Z)
• Synthetic Combinations: A Causal Inference Framework for Combinatorial Interventions [8.491098180590447]
  介入の任意の組み合わせ、すなわち$N×2p$因果パラメータについて、単位特異的な潜在的な結果を学ぶ。 様々なパラメーターを推定するために$N×2p$の実験を実行すると、$N$と$p$が成長するほど高価で/または実現不可能である。
  論文  参考訳（メタデータ） (2023-03-24T18:45:44Z)
• WR-ONE2SET: Towards Well-Calibrated Keyphrase Generation [57.11538133231843]
  キーワード生成は、入力文書を要約する短いフレーズを自動的に生成することを目的としている。 最近登場したONE2SETパラダイムは、キーフレーズをセットとして生成し、競争性能を達成した。 本稿では, ONE2SET を拡張した WR-ONE2SET を提案する。
  論文  参考訳（メタデータ） (2022-11-13T09:56:24Z)
• Minimax-Optimal Multi-Agent RL in Zero-Sum Markov Games With a Generative Model [50.38446482252857]
  2人プレイのゼロサムマルコフゲームは多エージェント強化学習においておそらく最も基本的な設定である。 我々は,$$ widetildeObiggを用いて,$varepsilon$-approximate Markov NEポリシーを学習する学習アルゴリズムを開発した。 我々は、分散型量の役割を明確にするFTRLに対する洗練された後悔境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T17:24:55Z)
• Sample Complexity of Forecast Aggregation [9.122524488932573]
  ベイズ予測集計モデルでは、未知のバイナリイベントに関するプライベートシグナルを観測した後、その事象に関する過去の信念をプリンシパルに報告する。 プリンシパルは、レポートをイベントの1つの予測に集約する。 この問題のサンプル複雑性は、任意の離散分布に対して少なくとも$tilde (mn-2 / varepsilon)$であることが示される。
  論文  参考訳（メタデータ） (2022-07-26T18:12:53Z)
• Permutation Compressors for Provably Faster Distributed Nonconvex Optimization [68.8204255655161]
  本稿では,Gorbunov et al (2021) の MARINA 法が,理論的な通信複雑性の観点から最先端の手法とみなすことができることを示す。 MARINAの理論は、古典的な独立圧縮機設定を超えて、潜在的にエミュレートされた圧縮機の理論を支持するものである。
  論文  参考訳（メタデータ） (2021-10-07T09:38:15Z)
• Efficient Competitions and Online Learning with Strategic Forecasters [10.772308279491202]
  Witkowskiet al。 この問題を特定し、勝者を選ぶための真正なメカニズムであるELFを提案した。 ELFは、確率の高い準最適予測器を選択するために、$Theta(nlog n)$イベントやテストデータポイントを必要とする。 標準オンライン学習アルゴリズムは、$O(log(n) / epsilon2)$イベントのみを使用して$epsilon$-optimal予測子を選択します。
  論文  参考訳（メタデータ） (2021-02-16T18:48:37Z)
• Locally Private Hypothesis Selection [96.06118559817057]
  我々は、$mathcalQ$から$p$までの総変動距離が最良の分布に匹敵する分布を出力する。 局所的な差分プライバシーの制約は、コストの急激な増加を引き起こすことを示す。 提案アルゴリズムは,従来手法のラウンド複雑性を指数関数的に改善する。
  論文  参考訳（メタデータ） (2020-02-21T18:30:48Z)

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。