Fugu-MT 論文翻訳(概要): Generalising realisability in statistical learning theory under epistemic uncertainty

論文の概要: Generalising realisability in statistical learning theory under epistemic uncertainty

arxiv url: http://arxiv.org/abs/2402.14759v1
Date: Thu, 22 Feb 2024 18:20:25 GMT
ステータス: 処理完了
システム内更新日: 2024-02-23 14:16:43.791692
Title: Generalising realisability in statistical learning theory under epistemic uncertainty
Title（参考訳）: 疫学不確実性下における統計的学習理論の一般化可能性
Authors: Fabio Cuzzolin
Abstract要約: 本稿では, 確率分布の凸集合(convex set of probability distributions)という, 同じ潮流集合から列車および試験分布が発行されるという仮定の下で, 可逆性などの統計学習理論における中心的な概念を一般化する方法について考察する。
参考スコア（独自算出の注目度）: 5.7205053622241735
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The purpose of this paper is to look into how central notions in statistical learning theory, such as realisability, generalise under the assumption that train and test distribution are issued from the same credal set, i.e., a convex set of probability distributions. This can be considered as a first step towards a more general treatment of statistical learning under epistemic uncertainty.
Abstract（参考訳）: 本研究の目的は, 確率分布の凸集合(convex set of probability distributions)である同じ潮流集合から列車および試験分布が発行されるという仮定の下で, 可逆性などの統計学習理論における中心的な概念を一般化することである。これは、先天的な不確実性の下での統計学習のより一般的な処理への第一歩と考えることができる。

関連論文リスト

Robust Estimation for Kernel Exponential Families with Smoothed Total Variation Distances [2.317910166616341]
統計的推測では、標本は独立であり、確率分布から同一に分布していると一般的に仮定する。本稿では,GAN-like 推定器の一般統計モデルへの応用について検討する。
論文参考訳（メタデータ） (2024-10-28T05:50:47Z)
Statistics and explainability: a fruitful alliance [0.0]
本稿では,説明可能性の文献で一般的に強調される問題に対する解法として,標準的な統計ツールを提案する。我々は、確実な定量化が堅牢で信頼できる説明を提供するのに不可欠であると主張している。
論文参考訳（メタデータ） (2024-04-30T07:04:23Z)
Credal Learning Theory [4.64390130376307]
我々は,データ生成分布の変動をモデル化するために,凸集合の確率を用いて,不規則な学習理論の基礎を定めている。境界は有限仮説空間や古典的な結果を直接一般化する無限モデル空間の場合に導かれる。
論文参考訳（メタデータ） (2024-02-01T19:25:58Z)
Model-free generalized fiducial inference [0.0]
本稿では,不正確な確率的予測推定のためのモデルフリー統計フレームワークの提案と開発を行う。このフレームワークは、タイプ1エラーの有限サンプル制御を提供する予測セットの形式での不確実性定量化を促進する。モデルフリー不正確なフレームワークに対する正確な確率近似の理論的および経験的特性について考察する。
論文参考訳（メタデータ） (2023-07-24T01:58:48Z)
Regions of Reliability in the Evaluation of Multivariate Probabilistic Forecasts [73.33395097728128]
時系列予測評価のための適切なスコアリングルールに関する最初の体系的な有限サンプル研究を提供する。本研究では, 地中構造と予測分布のいくつかの重要な相違点をテストするために, 総合的な総合的合成ベンチマークを用いて解析を行った。
論文参考訳（メタデータ） (2023-04-19T17:38:42Z)
Mathematical Theory of Bayesian Statistics for Unknown Information Source [0.0]
統計的推測では、不確実性は未知であり、全てのモデルが間違っている。クロスバリデーション, 情報基準, 限界確率の一般的な特性を示す。導出理論は、未知の不確実性が統計的モレルによって実現不可能であったり、後部分布が正規分布によって近似できないとしても成り立つ。
論文参考訳（メタデータ） (2022-06-11T23:35:06Z)
Plinko: A Theory-Free Behavioral Measure of Priors for Statistical Learning and Mental Model Updating [62.997667081978825]
Plinko(リンク)は,参加者が利用可能なすべての結果に対してボール滴の分布を推定する行動課題である。対象者は,確率分布の確率分布を中心にクラスタリングし,事前クラスタメンバシップは学習能力を示す可能性があることを示す。我々は,個々の参加者が信頼できる表現であり,物理的に不可解な球滴分布に直面した場合,学習が阻害されないことを検証した。
論文参考訳（メタデータ） (2021-07-23T22:27:30Z)
DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
論文参考訳（メタデータ） (2021-02-16T23:50:35Z)
Don't Just Blame Over-parametrization for Over-confidence: Theoretical Analysis of Calibration in Binary Classification [58.03725169462616]
理論上は、過剰パラメトリゼーションは過剰信頼の唯一の理由ではない。我々は、ロジスティック回帰は本質的に信頼過剰であり、実現可能で、非パラメータな設定であることを示す。おそらく驚くことに、過剰な信頼が常にそうであるとは限らないことも示します。
論文参考訳（メタデータ） (2021-02-15T21:38:09Z)
Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。実世界のデータに結果の質を示す実験結果が提示される。
論文参考訳（メタデータ） (2020-12-01T00:49:17Z)
Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。