Fugu-MT 論文翻訳(概要): List and Certificate Complexities in Replicable Learning

論文の概要: List and Certificate Complexities in Replicable Learning

arxiv url: http://arxiv.org/abs/2304.02240v1
Date: Wed, 5 Apr 2023 06:05:27 GMT
ステータス: 処理完了
システム内更新日: 2023-04-06 13:18:25.311447
Title: List and Certificate Complexities in Replicable Learning
Title（参考訳）: レプリケータブルラーニングにおけるリストと認定複雑さ
Authors: Peter Dixon, A. Pavan, Jason Vander Woude, N. V. Vinodchandran
Abstract要約: リストの複製性と証明書の複製性という2つの実現可能な複製性について考察する。リストと証明書の複雑さに最適な学習問題のアルゴリズムを設計する。
参考スコア（独自算出の注目度）: 0.7829352305480285
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We investigate replicable learning algorithms. Ideally, we would like to design algorithms that output the same canonical model over multiple runs, even when different runs observe a different set of samples from the unknown data distribution. In general, such a strong notion of replicability is not achievable. Thus we consider two feasible notions of replicability called list replicability and certificate replicability. Intuitively, these notions capture the degree of (non) replicability. We design algorithms for certain learning problems that are optimal in list and certificate complexity. We establish matching impossibility results.
Abstract（参考訳）: レプリカブル学習アルゴリズムについて検討する。理想的には、異なる実行が未知のデータ分布から異なるサンプルセットを観察しても、同じ標準モデルを複数の実行で出力するアルゴリズムを設計したいと考えています。一般に、そのような複製性という強い概念は達成できない。したがって、リストの複製性と証明書の複製性という、2つの実現可能な複製性を考える。直感的には、これらの概念は(非)再現性の程度を捉えている。リストと証明書の複雑さに最適な学習問題のアルゴリズムを設計する。我々は一致しない結果を確立する。

関連論文リスト

On the Computational Landscape of Replicable Learning [40.274579987732416]
本稿では,Impagliazzo,Lei,Pitassi,Sorrellによって導入された安定性の概念である,アルゴリズム的複製性の計算的側面について考察する。複製可能性と他の学習可能性の概念との強い統計的つながりを築き上げた最近の研究に動機づけられた我々は、複製可能性とこれらの学習パラダイムの間の計算的つながりをよりよく理解することを目指している。
論文参考訳（メタデータ） (2024-05-24T14:30:40Z)
Match me if you can: Semi-Supervised Semantic Correspondence Learning with Unpaired Images [76.47980643420375]
本稿では,意味的対応の学習に固有のデータ・ハングリー・マターが存在するという仮説に基づく。我々は,機械の監督を通じて,ペア化されたキーポイントを確実に強化する単純な機械注釈器を実証する。我々のモデルは,SPair-71k,PF-PASCAL,PF-WILLOWといった意味対応学習ベンチマークの最先端モデルを上回る。
論文参考訳（メタデータ） (2023-11-30T13:22:15Z)
Tractable Bounding of Counterfactual Queries by Knowledge Compilation [51.47174989680976]
本稿では, パール構造因果モデルにおいて, 因果関係などの部分的特定可能なクエリのバウンダリングの問題について議論する。最近提案された反復EMスキームは初期化パラメータをサンプリングしてそれらの境界を内部近似する。シンボルパラメータを実際の値に置き換えた回路構造を,単一のシンボル知識コンパイルによって得られることを示す。
論文参考訳（メタデータ） (2023-10-05T07:10:40Z)
Multiclass Boosting: Simple and Intuitive Weak Learning Criteria [72.71096438538254]
実現可能性の仮定を必要としない,単純かつ効率的なブースティングアルゴリズムを提案する。本稿では,リスト学習者の向上に関する新たな結果と,マルチクラスPAC学習の特徴付けのための新しい証明を提案する。
論文参考訳（メタデータ） (2023-07-02T19:26:58Z)
Replicable Reinforcement Learning [15.857503103543308]
本稿では、並列値反復のための証明可能なレプリカブルアルゴリズムと、エピソード設定における証明可能なR-maxのレプリカブルバージョンを提供する。これらは制御問題に対する最初の公式なレプリカ化結果であり、バッチ学習設定とは異なるレプリケーションの課題を提示している。
論文参考訳（メタデータ） (2023-05-24T16:05:15Z)
Replicability and stability in learning [16.936594801109557]
Impagliazzo氏、Lei氏、Pitassi氏、Sorrell氏(22)は先頃、マシンラーニングにおけるレプリカ性の研究を開始した。我々は、任意のレプリカブルアルゴリズムを、任意の確率が 1 に近く同じ出力を生成するように拡張する方法を示す。任意の確率で 1 に近い確率で達成できるように、リストの複製性を高めることができることを証明した。
論文参考訳（メタデータ） (2023-04-07T17:52:26Z)
End-to-end Algorithm Synthesis with Recurrent Networks: Logical Extrapolation Without Overthinking [52.05847268235338]
機械学習システムが問題を過度に考えずに論理的外挿を行う方法を示す。本稿では,問題インスタンスの明示的なコピーをメモリに保持して,それを忘れないようにするリコールアーキテクチャを提案する。また、モデルが数に固有の行動を学ぶのを防ぎ、無期限に繰り返される行動を学ぶためにモデルをプッシュするプログレッシブトレーニングルーチンも採用しています。
論文参考訳（メタデータ） (2022-02-11T18:43:28Z)
From Undecidability of Non-Triviality and Finiteness to Undecidability of Learnability [0.0]
新たに提案したモデルが実際にデータから学べるかどうかを厳格に評価するための汎用的な手順は存在しないことを示す。 PACバイナリ分類、一様および普遍的なオンライン学習、教師と教師の相互作用による正確な学習では、学習性は一般に決定不可能である。機械学習モデルが成功するかどうかを決定するのに、すべてに適したアルゴリズムは存在しない。
論文参考訳（メタデータ） (2021-06-02T18:00:04Z)
Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文参考訳（メタデータ） (2021-03-25T14:35:07Z)
Theory and Algorithms for Shapelet-based Multiple-Instance Learning [5.08418565337126]
本稿では,データ単位がバッグと呼ばれるインスタンスから構成されるMultiple-Instance Learning(MIL)の新たな定式化を提案する。目標は、"shapelet"(またはパターン)との類似性に基づいて、バッグの優れた分類器を見つけることである。私たちの定式化では、すべての可能なので、したがって無限に多くのシェイプレットを使い、よりリッチな分類器のクラスを生み出す。
論文参考訳（メタデータ） (2020-05-31T17:10:59Z)
Consistency of a Recurrent Language Model With Respect to Incomplete Decoding [67.54760086239514]
逐次言語モデルから無限長のシーケンスを受信する問題について検討する。不整合に対処する2つの対策として、トップkと核サンプリングの一貫性のある変種と、自己終端の繰り返し言語モデルを提案する。
論文参考訳（メタデータ） (2020-02-06T19:56:15Z)

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。