Fugu-MT 論文翻訳(概要): A Characterization of Online Multiclass Learnability

論文の概要: A Characterization of Online Multiclass Learnability

arxiv url: http://arxiv.org/abs/2303.17716v1
Date: Thu, 30 Mar 2023 21:35:48 GMT
ステータス: 処理完了
システム内更新日: 2023-04-03 15:45:29.844053
Title: A Characterization of Online Multiclass Learnability
Title（参考訳）: オンライン・マルチクラス学習能力の評価
Authors: Vinod Raman, Unique Subedi, Ambuj Tewari
Abstract要約: マルチクラスのLittlestone次元は、この設定におけるオンライン学習可能性の特徴を引き続き示している。この結果は,ラベル空間が非有界である場合に,バッチマルチクラス学習性を特徴付ける citeBrukhimetal2022 の最近の研究を補完するものである。
参考スコア（独自算出の注目度）: 17.11922027966447
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of online multiclass learning when the number of labels is unbounded. We show that the Multiclass Littlestone dimension, first introduced in \cite{DanielyERMprinciple}, continues to characterize online learnability in this setting. Our result complements the recent work by \cite{Brukhimetal2022} who give a characterization of batch multiclass learnability when the label space is unbounded.
Abstract（参考訳）: ラベル数が無制限である場合,オンラインマルチクラス学習の問題を考える。マルチクラスのLittlestone次元が最初に導入されたのは \cite{DanielyERMprinciple} であり、この設定ではオンライン学習性の特徴付けを続けている。この結果は,ラベル空間が非有界である場合に,バッチマルチクラス学習性を特徴付ける「cite{Brukhimetal2022}」の最近の研究を補完するものである。

関連論文リスト

Ramsey Theorems for Trees and a General 'Private Learning Implies Online Learning' Theorem [26.292576184028924]
この研究は、差分プライベート(DP)とオンライン学習との関係について研究を続けている。一般分類タスクにおいては,DP学習性はオンライン学習性を意味することを示す。
論文参考訳（メタデータ） (2024-07-10T15:43:30Z)
Simple online learning with consistent oracle [55.43220407902113]
オンライン学習は、学習アルゴリズムが、どの時点でも、今まで見てきたすべての例に一致する関数をクラスから与えることができる、という、一貫性のあるオラクルを通じてのみクラスにアクセスすることができるモデルであると考えている。
論文参考訳（メタデータ） (2023-08-15T21:50:40Z)
A Combinatorial Characterization of Supervised Online Learnability [20.291598040396302]
本稿では,任意だが有界な損失関数に対する仮説クラスのオンライン学習可能性について検討する。連続最小次元と呼ばれる新しいスケール感性次元を与え、オンライン学習可能性の厳密な定量的評価を与えることを示す。
論文参考訳（メタデータ） (2023-07-07T20:11:07Z)
Adversarially Robust Learning: A Generic Minimax Optimal Learner and Characterization [39.51923275855131]
本研究では,テスト時間における逆例に頑健な予測器の学習問題に対して,最小限の最適学習器を提案する。特に、強い否定的な意味で、モンタッサー、ハネケ、スレブロによって提案された頑健な学習者の亜最適性を示す。
論文参考訳（メタデータ） (2022-09-15T15:32:42Z)
Precise Regret Bounds for Log-loss via a Truncated Bayesian Algorithm [14.834625066344582]
対数損失下での逐次的オンライン回帰(シーケンシャル確率代入)について検討する。我々は、専門家のクラスで発生する過剰な損失として定義される連続したミニマックスの後悔に対して、厳密で、しばしば一致し、下限と上限を得ることに重点を置いている。
論文参考訳（メタデータ） (2022-05-07T22:03:00Z)
Smoothed Online Learning is as Easy as Statistical Learning [77.00766067963195]
この設定では、最初のオラクル効率、非回帰アルゴリズムを提供する。古典的な設定で関数クラスが学習可能な場合、文脈的包帯に対するオラクル効率のよい非回帰アルゴリズムが存在することを示す。
論文参考訳（メタデータ） (2022-02-09T19:22:34Z)
Fast Rates for Nonparametric Online Learning: From Realizability to Learning in Games [36.969021834291745]
本稿では,仮説クラスの逐次的脂肪散乱次元の観点から,ほぼ最適誤差を導出する固有学習アルゴリズムを提案する。この結果は、適切な学習者が準最適誤り境界を達成できるかどうかという疑問に答える。実数値(回帰)設定では、最適誤り境界は不適切な学習者にさえ知られていなかった。
論文参考訳（メタデータ） (2021-11-17T05:24:21Z)
Sample-efficient proper PAC learning with approximate differential privacy [51.09425023771246]
近似微分プライバシーを持つリトルストーン次元のクラスを適切に学習するサンプル複雑性が$tilde o(d6)$であることを証明し、プライバシーパラメータと精度パラメータを無視する。この結果は Bun et al の質問に答えます。 (FOCS 2020) サンプルの複雑さに$2O(d)$の上限で改善することによって。
論文参考訳（メタデータ） (2020-12-07T18:17:46Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
Active Online Learning with Hidden Shifting Domains [64.75186088512034]
本稿では,その後悔度とラベルクエリ数とを適応的にバランスさせる,驚くほど単純なアルゴリズムを提案する。我々のアルゴリズムは、異なる領域からの入力のインターリービングスパンを適応的に処理できる。
論文参考訳（メタデータ） (2020-06-25T15:23:59Z)

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。