論文の概要: Exact Generalization Guarantees for (Regularized) Wasserstein
Distributionally Robust Models
- arxiv url: http://arxiv.org/abs/2305.17076v2
- Date: Mon, 6 Nov 2023 10:14:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-07 22:31:30.817802
- Title: Exact Generalization Guarantees for (Regularized) Wasserstein
Distributionally Robust Models
- Title(参考訳): 正規化)ワッサーシュタイン分布ロバストモデルに対する厳密な一般化保証
- Authors: Wa\"iss Azizian (DAO), Franck Iutzeler (DAO), J\'er\^ome Malick (DAO)
- Abstract要約: ワッサーシュタインの分布的ロバストな推定器は、不確実性の下での予測と意思決定の強力なモデルとして登場した。
これらの一般化保証は、実際にモデルの一般的なクラスを保ち、次元性の呪いに苦しむことなく、テスト時の分布シフトをカバーできることを示す。
- 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: Wasserstein distributionally robust estimators have emerged as powerful
models for prediction and decision-making under uncertainty. These estimators
provide attractive generalization guarantees: the robust objective obtained
from the training distribution is an exact upper bound on the true risk with
high probability. However, existing guarantees either suffer from the curse of
dimensionality, are restricted to specific settings, or lead to spurious error
terms. In this paper, we show that these generalization guarantees actually
hold on general classes of models, do not suffer from the curse of
dimensionality, and can even cover distribution shifts at testing. We also
prove that these results carry over to the newly-introduced regularized
versions of Wasserstein distributionally robust problems.
- Abstract(参考訳): ワッサースタイン分布にロバストな推定器は、不確実性の下で予測と意思決定の強力なモデルとして現れた。
これらの推定器は魅力的な一般化を保証する: 訓練分布から得られる頑健な目標は、高い確率で真のリスクの正確な上限である。
しかし、既存の保証は次元の呪いに苦しむか、特定の設定に制限されるか、あるいは散発的なエラー用語に繋がる。
本稿では,これらの一般化保証がモデルの一般的なクラスを実際に保持し,次元性の呪いに苦しむことなく,テスト時の分布シフトをカバーできることを示す。
また,これらの結果は,新たに導入されたwasserstein分布的ロバストな問題の正規化問題に引き継がれることも証明した。
関連論文リスト
- Universal Generalization Guarantees for Wasserstein Distributionally
Robust Models [0.6291443816903801]
本稿では,非滑らかな解析理論と古典的な集中結果を組み合わせた新しい証明手法を提案する。
我々のアプローチは、(二重)正則化を含む分布的に頑健な問題を最近のワッサーシュタイン/シンクホーンに拡張するのに十分である。
論文 参考訳(メタデータ) (2024-02-19T09:27:47Z) - Training Normalizing Flows with the Precision-Recall Divergence [73.92251251511199]
特定精度リコールトレードオフを達成することは、em PR-divergencesと呼ぶ家族からの-divergencesの最小化に相当することを示す。
本稿では, 正規化フローをトレーニングして, 偏差を最小化し, 特に, 所与の高精度リコールトレードオフを実現する新しい生成モデルを提案する。
論文 参考訳(メタデータ) (2023-02-01T17:46:47Z) - Uncertainty Estimates of Predictions via a General Bias-Variance
Decomposition [7.811916700683125]
本稿では,適切なスコアに対するバイアス分散分解を導入し,分散項としてブレグマン情報を導出する。
モデルアンサンブルや信頼領域を含む下流タスクにおけるこの分解の実践的妥当性を示す。
論文 参考訳(メタデータ) (2022-10-21T21:24:37Z) - Convergence of score-based generative modeling for general data
distributions [9.953088581242845]
機能的不等式や強い滑らかさの仮定を満たすデータ分布に依存しない拡散モデルに収束保証を与える。
ワッサーシュタイン距離保証は、有界な支持あるいは十分に崩壊するテールの分布に対して、さらに滑らかな仮定を持つ分布に対するテレビ保証と同様に得られる。
論文 参考訳(メタデータ) (2022-09-26T02:38:36Z) - Evaluating Aleatoric Uncertainty via Conditional Generative Models [15.494774321257939]
本研究では,アレータティック不確実性推定のための条件生成モデルについて検討する。
本稿では,2つの条件分布間の差を測定するための2つの指標を提案する。
我々は,我々の測定値が条件分布の相違を正確に測定する方法を数値的に示す。
論文 参考訳(メタデータ) (2022-06-09T05:39:04Z) - Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。
変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
論文 参考訳(メタデータ) (2022-01-28T22:03:50Z) - Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware
Regression [91.3373131262391]
不確かさが唯一の確実性である。
伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。
現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
論文 参考訳(メタデータ) (2021-03-25T06:56:09Z) - Wasserstein Robust Support Vector Machines with Fairness Constraints [15.004754864933705]
我々は分布の不確かさをモデル化するために経験的分布を中心とするタイプ$infty$ wasserstein ambiguityセットを用いる。
提案手法は,予測精度の損なうことなく,公平性を向上することを示す。
論文 参考訳(メタデータ) (2021-03-11T17:53:54Z) - Estimating Generalization under Distribution Shifts via Domain-Invariant
Representations [75.74928159249225]
未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。
結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
論文 参考訳(メタデータ) (2020-07-06T17:21:24Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳(メタデータ) (2020-06-26T13:50:19Z) - Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。
標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。
この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文 参考訳(メタデータ) (2020-01-19T12:00:33Z)
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。