Fugu-MT 論文翻訳(概要): Online Classification with Predictions

論文の概要: Online Classification with Predictions

arxiv url: http://arxiv.org/abs/2405.14066v1
Date: Wed, 22 May 2024 23:45:33 GMT
ステータス: 処理完了
システム内更新日: 2024-05-24 19:34:41.503083
Title: Online Classification with Predictions
Title（参考訳）: 予測によるオンライン分類
Authors: Vinod Raman, Ambuj Tewari,
Abstract要約: 我々は,学習者が将来の事例に関する予測にアクセスできる場合に,オンライン分類を研究する。学習者が、将来の例が容易に予測可能なデータを見ることが常に保証されている場合、オンライン学習は、トランスダクティブなオンライン学習と同じくらい簡単であることを示す。
参考スコア（独自算出の注目度）: 20.291598040396302
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study online classification when the learner has access to predictions about future examples. We design an online learner whose expected regret is never worse than the worst-case regret, gracefully improves with the quality of the predictions, and can be significantly better than the worst-case regret when the predictions of future examples are accurate. As a corollary, we show that if the learner is always guaranteed to observe data where future examples are easily predictable, then online learning can be as easy as transductive online learning. Our results complement recent work in online algorithms with predictions and smoothed online classification, which go beyond a worse-case analysis by using machine-learned predictions and distributional assumptions respectively.
Abstract（参考訳）: 我々は,学習者が将来の事例に関する予測にアクセスできる場合に,オンライン分類を研究する。予測された後悔が最悪の後悔よりも悪く、予測の質で優雅に改善され、将来の事例の予測が正確である場合の最悪の後悔よりもはるかに優れたオンライン学習者を設計する。結論として、もし学習者が、将来の例が容易に予測可能なデータを見ることが常に保証されている場合、オンライン学習は、トランスダクティブなオンライン学習と同じくらい簡単であることを示す。本研究は,オンラインアルゴリズムにおける最近の研究を補完し,予測とスムーズなオンライン分類を行った。

関連論文リスト

Building Defect Prediction Models by Online Learning Considering Defect Overlooking [1.5869998695491834]
オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。非欠陥(non-defective)"と予測されるモジュールは、そのようなモジュールのテストケースが少なくなる可能性がある。誤テスト結果は、オンライン学習による学習データとして使用され、予測精度に悪影響を及ぼす可能性がある。
論文参考訳（メタデータ） (2024-04-17T03:20:46Z)
Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文参考訳（メタデータ） (2024-03-12T08:40:21Z)
EANet: Expert Attention Network for Online Trajectory Prediction [5.600280639034753]
Expert Attention Networkは、軌道予測のための完全なオンライン学習フレームワークである。我々は,ネットワーク層の深さの異なる重みを調整し,勾配問題によるモデル更新が遅いことを回避し,専門家の注意を喚起する。さらに,シナリオ変化に敏感な短期動作トレンドカーネル関数を提案する。
論文参考訳（メタデータ） (2023-09-11T07:09:40Z)
Software Defect Prediction by Online Learning Considering Defect Overlooking [1.655352281097533]
オンライン学習に基づく欠陥予測モデルの構築は、予測精度を向上させることができる。新しいデータポイントを追加する際に、新しい予測モデルを継続的に再構築する。しかし、モジュールを"非欠陥"(負の予測)として予測すると、そのようなモジュールのテストケースが少なくなる。
論文参考訳（メタデータ） (2023-08-25T15:02:22Z)
Ticketed Learning-Unlearning Schemes [57.89421552780526]
そこで我々は,学習のためのチケット付きモデルを提案する。広義のコンセプトクラスに対して,空間効率のよいチケット付き学習スキームを提供する。
論文参考訳（メタデータ） (2023-06-27T18:54:40Z)
Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文参考訳（メタデータ） (2023-04-20T07:29:23Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
論文参考訳（メタデータ） (2023-02-15T18:59:30Z)
Online TSP with Predictions [3.8411077568039866]
古典的オンライン旅行セールスマン問題(OLTSP)について検討する。他の研究の予測モデルとは異なり、OLTSPの実際の要求はその到着時間と位置に関連しており、予測された要求と一致しないかもしれない。我々の主な成果は、様々な予測モデルと設計アルゴリズムを研究し、異なる設定で最もよく知られた結果を改善することである。
論文参考訳（メタデータ） (2022-06-30T15:35:53Z)
Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文参考訳（メタデータ） (2022-02-18T17:25:43Z)
Online Learning with Radial Basis Function Networks [0.0]
オンライン学習の逐次学習と連続学習について考察する。オンライン学習技術はオフライン学習よりも優れています。
論文参考訳（メタデータ） (2021-03-15T14:39:40Z)

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。