Fugu-MT 論文翻訳(概要): Ranking with Abstention

論文の概要: Ranking with Abstention

arxiv url: http://arxiv.org/abs/2307.02035v1
Date: Wed, 5 Jul 2023 05:37:13 GMT
ステータス: 処理完了
システム内更新日: 2023-07-06 15:02:42.136837
Title: Ranking with Abstention
Title（参考訳）: 退位によるランク付け
Authors: Anqi Mao, Mehryar Mohri, Yutao Zhong
Abstract要約: そこで本研究では,学習者が限られたコストで予測を行うのを阻止できる,控えめなランキングの枠組みを紹介した。線形関数の族と1つの隠れ層を持つニューラルネットワークの両方に対して、一連の$H$一貫性境界を示す。
参考スコア（独自算出の注目度）: 27.3569897539488
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a novel framework of ranking with abstention, where the learner can abstain from making prediction at some limited cost $c$. We present a extensive theoretical analysis of this framework including a series of $H$-consistency bounds for both the family of linear functions and that of neural networks with one hidden-layer. These theoretical guarantees are the state-of-the-art consistency guarantees in the literature, which are upper bounds on the target loss estimation error of a predictor in a hypothesis set $H$, expressed in terms of the surrogate loss estimation error of that predictor. We further argue that our proposed abstention methods are important when using common equicontinuous hypothesis sets in practice. We report the results of experiments illustrating the effectiveness of ranking with abstention.
Abstract（参考訳）: そこで我々は,学習者が限られたコストで予測を行なわないようにするための,控え目なランキングフレームワークを提案する。本稿では,線形関数群と1つの隠れ層を持つニューラルネットワーク群の両方に対して,h$-consistency boundsのシリーズを含む,この枠組みの広範な理論的解析を行う。これらの理論的な保証は、予測器の目標損失推定誤差の上限である文献における最先端の整合性保証であり、予測器のサロゲート損失推定誤差の項で表される仮説セット$H$である。さらに, 提案手法は, 共通等連続仮説を用いる場合, 提案手法が重要であることを論じる。本報告では, 禁忌による格付けの有効性を示す実験結果について報告する。

関連論文リスト

Enhanced $H$-Consistency Bounds [30.389055604165222]
条件付き後悔に関するより一般的な不等式に基づく拡張された$H$一貫性境界を確立するための枠組みを提案する。我々の定理は、既存の結果を特別な場合とみなすが、様々なシナリオにおいてより好ましい境界の導出を可能にする。これには、標準のマルチクラス分類、Tsybakovノイズ条件下でのバイナリクラスとマルチクラス分類、二部分類が含まれる。
論文参考訳（メタデータ） (2024-07-18T17:22:40Z)
Top-$k$ Classification and Cardinality-Aware Prediction [30.389055604165222]
和和と制約付き損失は、上位の$k$損失に対する$H$一貫性境界によって支持されることを示す。本稿では、インスタンス依存型コスト依存学習を通じて、基数認識損失関数を導入する。これらの損失を最小限に抑えることで、トップ$kの分類のための新しい濃度認識アルゴリズムが生まれる。
論文参考訳（メタデータ） (2024-03-28T17:45:03Z)
Predictor-Rejector Multi-Class Abstention: Theoretical Analysis and Algorithms [30.389055604165222]
マルチクラス分類設定において,留意を伴う学習の鍵となる枠組みについて検討する。この設定では、学習者は事前に定義されたコストで予測をしないことを選択できる。我々は、強い非漸近的および仮説的整合性を保証するために、いくつかの新しい代理損失の族を導入する。
論文参考訳（メタデータ） (2023-10-23T10:16:27Z)
Theoretically Grounded Loss Functions and Algorithms for Score-Based Multi-Class Abstention [30.389055604165222]
禁断損失関数に対する代用損失の新たなファミリーを導入する。我々はこれらのサロゲート損失に対して、非漸近的で仮説固有の一貫性を保証する。以上の結果から,最新のスコアベースサロゲート損失の相対的性能はデータセットによって異なる可能性が示唆された。
論文参考訳（メタデータ） (2023-10-23T10:13:35Z)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
A Tale of Sampling and Estimation in Discounted Reinforcement Learning [50.43256303670011]
割引平均推定問題に対して最小値の最小値を求める。マルコフ過程の割引されたカーネルから直接サンプリングすることで平均を推定すると、説得力のある統計的性質が得られることを示す。
論文参考訳（メタデータ） (2023-04-11T09:13:17Z)
Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
論文参考訳（メタデータ） (2022-06-09T10:39:33Z)
On the Minimal Adversarial Perturbation for Deep Neural Networks with Provable Estimation Error [65.51757376525798]
敵の摂動の存在は、証明可能な堅牢性に関する興味深い研究ラインを開いた。検証可能な結果は、コミットしたエラーを見積り、バウンドするものではない。本稿では,最小対向摂動を求めるための2つの軽量戦略を提案する。その結果, 提案手法は, 分類に近い試料の理論的距離とロバスト性を近似し, 敵攻撃に対する確実な保証が得られた。
論文参考訳（メタデータ） (2022-01-04T16:40:03Z)
Measuring Model Fairness under Noisy Covariates: A Theoretical Perspective [26.704446184314506]
本研究では,雑音情報に基づく機械学習モデルの公平性の測定問題について検討する。本稿では, 精度の高い公平性評価が可能な弱い条件を特徴付けることを目的とした理論的解析を行う。
論文参考訳（メタデータ） (2021-05-20T18:36:28Z)
CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文参考訳（メタデータ） (2020-10-22T12:39:11Z)
Relative Deviation Margin Bounds [55.22251993239944]
我々はRademacher複雑性の観点から、分布依存と一般家庭に有効な2種類の学習境界を与える。有限モーメントの仮定の下で、非有界な損失関数に対する分布依存的一般化境界を導出する。
論文参考訳（メタデータ） (2020-06-26T12:37:17Z)

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。