論文の概要: Aggregating Correlated Estimations with (Almost) no Training

• arxiv url: http://arxiv.org/abs/2309.02005v1
• Date: Tue, 5 Sep 2023 07:39:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 16:01:41.353851
• Title: Aggregating Correlated Estimations with (Almost) no Training
• Title（参考訳）: ほとんど)トレーニング無しで相関推定を集約する
• Authors: Theo Delemazure (LAMSADE), Fran\c{c}ois Durand (CREM, LINCS), Fabien Mathieu (LINCS)
• Abstract要約: 推定誤差には様々な相関がある。 ほとんどのアグリゲーションルールは、この相関関係の多様性に悩まされる。 本稿では,相関を考慮に入れた異なるアグリゲーションルールを提案する。
• 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: Many decision problems cannot be solved exactly and use several estimation algorithms that assign scores to the different available options. The estimation errors can have various correlations, from low (e.g. between two very different approaches) to high (e.g. when using a given algorithm with different hyperparameters). Most aggregation rules would suffer from this diversity of correlations. In this article, we propose different aggregation rules that take correlations into account, and we compare them to naive rules in various experiments based on synthetic data. Our results show that when sufficient information is known about the correlations between errors, a maximum likelihood aggregation should be preferred. Otherwise, typically with limited training data, we recommend a method that we call Embedded Voting (EV).
• Abstract（参考訳）: 多くの決定問題は正確には解決できず、利用可能な異なるオプションにスコアを割り当てる複数の推定アルゴリズムを使用する。 推定誤差は、低(例えば2つの非常に異なるアプローチ)から高(例えば、異なるハイパーパラメータを持つ特定のアルゴリズムを使用する場合)までの様々な相関を持つことができる。 ほとんどのアグリゲーションルールは、この相関の多様性に悩まされる。 本稿では, 相関を考慮に入れた異なるアグリゲーションルールを提案し, 合成データに基づく様々な実験において, ナイーブルールと比較する。 その結果,誤差間の相関関係について十分な情報が知られている場合には,最大確率集約が望ましいことがわかった。 そうでなければ、通常は限られたトレーニングデータで、Embedded Voting (EV)と呼ばれる手法を推奨します。

関連論文リスト

• Semiparametric conformal prediction [79.6147286161434]
  リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。 スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。 実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• A Data-Driven Two-Phase Multi-Split Causal Ensemble Model for Time Series [0.8252665500568257]
  因果推論は、多くの分野における因果関係を発見するための基本的な研究テーマである。 一部のアプローチは線形関係を特定できるだけであり、他のアプローチは非線型性に適用できる。 本稿では,データ駆動型マルチスプリット因果アンサンブルモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-04T14:20:41Z)
• Higher Order Correlation Analysis for Multi-View Learning [5.494450814224186]
  マルチビューデータにおける高次相関の最大化を提案する。 実際のマルチビューデータに対する数値的な結果は、この手法が既存の手法よりも一貫して優れていることを示している。
  論文  参考訳（メタデータ） (2022-01-28T06:10:30Z)
• Machine Learning for Multi-Output Regression: When should a holistic multivariate approach be preferred over separate univariate ones? [62.997667081978825]
  ランダムフォレストのような木に基づくアンサンブルは、統計学の手法の中で近代的な古典である。 これらの手法を広範囲なシミュレーションで比較し,多変量アンサンブル技術を用いた場合の主問題に答える。
  論文  参考訳（メタデータ） (2022-01-14T08:44:25Z)
• Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
  ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。 本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。 提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:51:55Z)
• Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
  Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。 正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
  論文  参考訳（メタデータ） (2021-05-26T15:37:48Z)
• Learning with Instance Bundles for Reading Comprehension [61.823444215188296]
  質問応答スコアを複数の関連インスタンスで比較する新しい監視手法を提案する。 具体的には、密接に対照的な質問や回答のさまざまな近所でこれらのスコアを正規化します。 2つのデータセット上のインスタンスバンドルによるトレーニングの有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2021-04-18T06:17:54Z)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)
• Exploiting non-i.i.d. data towards more robust machine learning algorithms [0.0]
  機械学習アルゴリズムは、データからパターンや相関を見つけるのに優れていることがますます示されている。 本稿では,普遍因果関係を優先する正規化方式を提案する。 従来のl-正規化に対して、分配外試験セットでより良い性能が得られる。
  論文  参考訳（メタデータ） (2020-10-07T14:15:37Z)
• EPEM: Efficient Parameter Estimation for Multiple Class Monotone Missing Data [3.801859210248944]
  本稿では,複数のクラス,モノトン欠落データセットの最大推定値(MLE)を計算するための新しいアルゴリズムを提案する。 計算が正確であるので、我々のEPEMアルゴリズムは、他の計算法と同様に、データを通して複数のイテレーションを必要としない。
  論文  参考訳（メタデータ） (2020-09-23T20:07:53Z)
• Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation [2.9822184411723645]
  マルチラベル分類タスクでは、各問題インスタンスは同時に複数のクラスに関連付けられている。 ラベル間の相関は、ペアワイズ相関の取得や高次相関の活用など、様々なレベルで利用することができる。 本稿では,教師付き学習分類器システムを用いて,ラベルのサブセット内での高次ラベル相関を利用することを目的とする。
  論文  参考訳（メタデータ） (2020-07-22T18:13:12Z)

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。