論文の概要: Best-Effort Adaptation
- arxiv url: http://arxiv.org/abs/2305.05816v1
- Date: Wed, 10 May 2023 00:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 14:56:06.678993
- Title: Best-Effort Adaptation
- Title(参考訳): ベストエフォート適応
- Authors: Pranjal Awasthi, Corinna Cortes, Mehryar Mohri
- Abstract要約: 本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。
これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。
本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
- 参考スコア(独自算出の注目度): 62.00856290846247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study a problem of best-effort adaptation motivated by several
applications and considerations, which consists of determining an accurate
predictor for a target domain, for which a moderate amount of labeled samples
are available, while leveraging information from another domain for which
substantially more labeled samples are at one's disposal. We present a new and
general discrepancy-based theoretical analysis of sample reweighting methods,
including bounds holding uniformly over the weights. We show how these bounds
can guide the design of learning algorithms that we discuss in detail. We
further show that our learning guarantees and algorithms provide improved
solutions for standard domain adaptation problems, for which few labeled data
or none are available from the target domain. We finally report the results of
a series of experiments demonstrating the effectiveness of our best-effort
adaptation and domain adaptation algorithms, as well as comparisons with
several baselines. We also discuss how our analysis can benefit the design of
principled solutions for fine-tuning.
- Abstract(参考訳): 対象ドメインの正確な予測器を決定するために,ラベル付きサンプルが適度に利用可能であり,さらにラベル付きサンプルがかなり多い別のドメインからの情報を活用することを目的とした,いくつかのアプリケーションや考慮によるベストエフォート適応の問題について検討する。
本稿では, 標本再重み付け法に関する新しい, 一般の相違に基づく理論解析について述べる。
これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。
さらに、学習保証とアルゴリズムは、標準領域適応問題に対する改善ソリューションを提供しており、対象領域から利用可能なラベル付きデータはほとんどないことを示した。
最終的に、我々の最善適応アルゴリズムとドメイン適応アルゴリズムの有効性を実証する一連の実験結果と、いくつかのベースラインとの比較結果を報告した。
また、我々の分析が微調整のための原理的ソリューションの設計にどう役立つかについても論じる。
関連論文リスト
- Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳(メタデータ) (2024-05-09T12:52:22Z) - Globally-Optimal Greedy Experiment Selection for Active Sequential
Estimation [1.1530723302736279]
逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。
目標は、より正確なモデル推定のための実験選択ルールを設計することである。
そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
論文 参考訳(メタデータ) (2024-02-13T17:09:29Z) - Variational Disentanglement for Domain Generalization [68.85458536180437]
本稿では,変分拡散ネットワーク(VDN)という効果的なフレームワークを提供することにより,領域一般化の課題に取り組むことを提案する。
VDNは、ドメイン固有の機能とタスク固有の機能を切り離し、タスク固有のフィーチャは、見えないが関連するテストデータにより良い一般化が期待できる。
論文 参考訳(メタデータ) (2021-09-13T09:55:32Z) - Adaptive Sampling for Minimax Fair Classification [40.936345085421955]
最適化の原理に基づく適応型サンプリングアルゴリズムを提案し,その性能に関する理論的境界を導出する。
特定の問題のクラスに対してアルゴリズム独立なローバウンドを導出することにより,適応スキームによる性能は一般に改善できないことを示した。
論文 参考訳(メタデータ) (2021-03-01T04:58:27Z) - Model-Based Domain Generalization [96.84818110323518]
本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。
我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
論文 参考訳(メタデータ) (2021-02-23T00:59:02Z) - A Theory of Multiple-Source Adaptation with Limited Target Labeled Data [66.53679520072978]
モデル選択のアイデアに基づく新しいアルゴリズムのファミリーは,このシナリオにおいて非常に望ましい保証から恩恵を受けることを示す。
また,本アルゴリズムの実用性を示すいくつかの実験結果についても報告する。
論文 参考訳(メタデータ) (2020-07-19T19:34:48Z) - Adversarial Weighting for Domain Adaptation in Regression [4.34858896385326]
制御ドメイン適応の文脈において、回帰タスクを処理するための新しいインスタンスベースのアプローチを提案する。
本研究では,情報源重み付け方式とタスクを1つのフィードフォワード勾配下で学習する逆ネットワークアルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-06-15T09:44:04Z) - Domain Adaptation: Learning Bounds and Algorithms [80.85426994513541]
本稿では,任意の損失関数を持つ適応問題に適した分布距離,差分距離を新たに導入する。
広い損失関数族に対する領域適応のための新しい一般化境界を導出する。
また、正規化に基づくアルゴリズムの大規模クラスに対する新しい適応境界も提示する。
論文 参考訳(メタデータ) (2009-02-19T18:42:16Z)
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。