論文の概要: On the Connection between $L_p$ and Risk Consistency and its
Implications on Regularized Kernel Methods
- arxiv url: http://arxiv.org/abs/2303.15210v1
- Date: Mon, 27 Mar 2023 13:51:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 15:14:10.707539
- Title: On the Connection between $L_p$ and Risk Consistency and its
Implications on Regularized Kernel Methods
- Title(参考訳): l_p$とリスク一貫性の関連と正規化カーネル法への影響について
- Authors: Hannes K\"ohler
- Abstract要約: 本研究の目的は,リスク一貫性と損失関数のより広いクラスに対する$L_p$一貫性の密接な関係を確立することである。
この接続をシフトした損失関数に転送しようとする試みは、このシフトが、基礎となる確率測度で必要とされる仮定を、他の多くの結果と同じ程度に減らさないことを驚くほど明らかにしている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a predictor's quality is often assessed by means of its risk, it is
natural to regard risk consistency as a desirable property of learning methods,
and many such methods have indeed been shown to be risk consistent. The first
aim of this paper is to establish the close connection between risk consistency
and $L_p$-consistency for a considerably wider class of loss functions than has
been done before. The attempt to transfer this connection to shifted loss
functions surprisingly reveals that this shift does not reduce the assumptions
needed on the underlying probability measure to the same extent as it does for
many other results. The results are applied to regularized kernel methods such
as support vector machines.
- Abstract(参考訳): 予測者の品質は、しばしばそのリスクによって評価されるため、リスク一貫性を学習方法の望ましい特性とみなすことは自然であり、そのような方法の多くはリスク一貫性があることが証明されている。
本稿では,リスク一貫性とl_p$-consistencyとの密接な関係を,従来よりもはるかに広い損失関数のクラスに対して確立することを目的とする。
この接続をシフト損失関数に転送しようとする試みは、驚くべきことに、このシフトは、基礎となる確率測度に必要な仮定を、他の多くの結果と同程度に減少させるものではない。
結果はサポートベクターマシンなどの正規化されたカーネルメソッドに適用される。
関連論文リスト
- Regularization for Adversarial Robust Learning [18.46110328123008]
我々は,$phi$-divergence正規化を分散ロバストなリスク関数に組み込む,対角訓練のための新しい手法を開発した。
この正規化は、元の定式化と比較して計算の顕著な改善をもたらす。
本研究では,教師付き学習,強化学習,文脈学習において提案手法の有効性を検証し,様々な攻撃に対して最先端の性能を示す。
論文 参考訳(メタデータ) (2024-08-19T03:15:41Z) - Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。
提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
論文 参考訳(メタデータ) (2024-03-28T17:28:06Z) - Uncertainty Quantification in Anomaly Detection with Cross-Conformal
$p$-Values [0.0]
本研究は, 異形間異常検出という, 異常検出のための新しい枠組みを導入する。
本研究では,不確実な量子化異常検出のための統計効率(完全整形)と計算効率(完全整形)の両立を両立させる方法を提案する。
論文 参考訳(メタデータ) (2024-02-26T08:22:40Z) - Beyond Expectations: Learning with Stochastic Dominance Made Practical [88.06211893690964]
支配は、不確実な結果で意思決定を行うためのリスク-逆の選好をモデル化する。
理論上は魅力的だが、機械学習における優位性の応用は乏しい。
まず支配の概念を一般化し、任意の確率変数の任意のペア間の比較を可能にする。
次に、優位性の観点から最適解を見つけるための単純で効率的なアプローチを開発する。
論文 参考訳(メタデータ) (2024-02-05T03:21:23Z) - Domain Generalization without Excess Empirical Risk [83.26052467843725]
一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。
我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。
我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
論文 参考訳(メタデータ) (2023-08-30T08:46:46Z) - Tailoring to the Tails: Risk Measures for Fine-Grained Tail Sensitivity [10.482805367361818]
予測されるリスクアレンジメント(ERM)は、マシンラーニングシステムの中核にある。
本稿では,所望のテール感度を示すリスク対策を構築するための一般的な手法を提案する。
論文 参考訳(メタデータ) (2022-08-05T09:51:18Z) - Supervised Learning with General Risk Functionals [28.918233583859134]
標準一様収束結果は、予想損失の予想損失の一般化ギャップを仮説クラスに束縛する。
我々は、損失分布のCDFを推定するための最初の一様収束結果を確立し、すべてのH"古いリスク関数と全ての仮説の両方に同時に保持する保証を与える。
論文 参考訳(メタデータ) (2022-06-27T22:11:05Z) - Risk averse non-stationary multi-armed bandits [0.0]
本稿では,非定常損失の場合の多武装包帯問題に対処する。
非定常損失の存在下で, この目的関数に対して2つの推定法を提案する。
このような推定は、エプシロングレーディポリシーのような古典的なアーム選択手法に組み込むことができる。
論文 参考訳(メタデータ) (2021-09-28T18:34:54Z) - Learning from Similarity-Confidence Data [94.94650350944377]
類似度信頼性(Sconf)データから学習する新しい弱監督学習問題について検討する。
本研究では,Sconfデータのみから計算可能な分類リスクの非バイアス推定器を提案し,推定誤差境界が最適収束率を達成することを示す。
論文 参考訳(メタデータ) (2021-02-13T07:31:16Z) - Risk-Sensitive Deep RL: Variance-Constrained Actor-Critic Provably Finds
Globally Optimal Policy [95.98698822755227]
本研究は,リスクに敏感な深層強化学習を,分散リスク基準による平均報酬条件下で研究する試みである。
本稿では,ポリシー,ラグランジュ乗算器,フェンシェル双対変数を反復的かつ効率的に更新するアクタ批判アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-28T05:02:26Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳(メタデータ) (2020-06-15T05:25:02Z)
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。