Fugu-MT 論文翻訳(概要): A Note on the Prediction-Powered Bootstrap

論文の概要: A Note on the Prediction-Powered Bootstrap

arxiv url: http://arxiv.org/abs/2405.18379v2
Date: Sat, 8 Jun 2024 01:17:13 GMT
ステータス: 処理完了
システム内更新日: 2024-06-11 23:35:23.472511
Title: A Note on the Prediction-Powered Bootstrap
Title（参考訳）: 予測駆動型ブートストラップに関する一考察
Authors: Tijana Zrnic,
Abstract要約: 本稿では,任意の推定問題に対する予測に基づくPPBootを提案する。実装は非常に簡単で、基本的には1つのアプリケーションに過ぎません。
参考スコア（独自算出の注目度）: 14.132388073086371
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce PPBoot: a bootstrap-based method for prediction-powered inference. PPBoot is applicable to arbitrary estimation problems and is very simple to implement, essentially only requiring one application of the bootstrap. Through a series of examples, we demonstrate that PPBoot often performs nearly identically to (and sometimes better than) the earlier PPI(++) method based on asymptotic normality$\unicode{x2013}$when the latter is applicable$\unicode{x2013}$without requiring any asymptotic characterizations. Given its versatility, PPBoot could simplify and expand the scope of application of prediction-powered inference to problems where central limit theorems are hard to prove.
Abstract（参考訳）: 本稿では,ブートストラップに基づく予測型推論手法PPBootを紹介する。 PPBootは任意の推定問題に適用可能で、実装は非常に簡単で、ブートストラップの1つのアプリケーションのみを必要とする。一連の例を通して、PPBoot は漸近的正規性$\unicode{x2013}$ が適用可能な場合、漸近的特徴付けを必要とせずに、しばしば初期の PPI(++) メソッドとほぼ同じ(時としてより優れている)ことを実証する。その汎用性を考えると、PPBootは中心極限定理の証明が難しい問題への予測による推論の適用範囲を単純化し、拡張することができる。

関連論文リスト

Sample-efficient Learning of Infinite-horizon Average-reward MDPs with General Function Approximation [53.17668583030862]
一般関数近似の文脈において,無限水平平均逆マルコフ決定過程(AMDP)について検討する。最適化最適化(LOOP)と呼ばれる新しいアルゴリズムフレームワークを提案する。我々は LOOP がサブ線形 $tildemathcalO(mathrmpoly(d, mathrmsp(V*)) sqrtTbeta )$ regret を達成することを示す。
論文参考訳（メタデータ） (2024-04-19T06:24:22Z)
Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。 GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文参考訳（メタデータ） (2023-12-19T06:06:30Z)
Towards Optimal Statistical Watermarking [95.46650092476372]
仮説テスト問題として定式化して統計的透かしを研究する。我々の定式化の鍵は、出力トークンと拒絶領域の結合である。一般仮説テスト設定において,UMP(Uniformly Most Powerful)の透かしを特徴付ける。
論文参考訳（メタデータ） (2023-12-13T06:57:00Z)
Centroid Approximation for Bootstrap [17.617944390196286]
ブートストラップは原理的かつ強力な頻繁な統計ツールだ不確実性定量化のための標準的なブートストラップ法は、理想的なブートストラップ分布を近似するために大規模なブートストラップサンプルを描く必要があるため、計算集約的である。本研究では, 最適なブートストラップ分布をより正確に近似するために, 高品質な「セントロイド」点集合を明示的に推定する効率的な手法を提案する。
論文参考訳（メタデータ） (2021-10-17T04:31:57Z)
GuideBoot: Guided Bootstrap for Deep Contextual Bandits [14.983677719946666]
文脈的バンディットアルゴリズムのためのガイドブートストラップ(GuideBoot)を導入する。 GuideBootは、実際のサンプルと偽のラベルでノイズの多いサンプルの両方で複数のモデルをトレーニングすることで、探索行動への明確なガイダンスを提供する。提案手法は, ランダムに選択した1つのモデルのみを利用することで, 決定をオンザフライで行うことができるため, 効率的である。
論文参考訳（メタデータ） (2021-07-18T07:53:04Z)
Bayesian decision-making under misspecified priors with applications to meta-learning [64.38020203019013]
トンプソンサンプリングやその他のシーケンシャルな意思決定アルゴリズムは、文脈的包帯における探索と探索のトレードオフに取り組むための一般的なアプローチである。性能は不特定な事前条件で優雅に低下することを示す。
論文参考訳（メタデータ） (2021-07-03T23:17:26Z)
I-BERT: Integer-only BERT Quantization [78.43819756382103]
トランスフォーマーモデルのための新しい量子化手法であるI-BERTを提案する。 I-BERTは浮動小数点演算なしでエンドツーエンドの整数のみのBERT推論を実行する。いずれの場合も,I-BERTは全精度ベースラインと同等(かつ若干高い)精度が得られた。
論文参考訳（メタデータ） (2021-01-05T02:42:58Z)
Extending the statistical software package Engine for Likelihood-Free Inference [0.0]
この論文は、ソフトウェアパッケージ Engine for Likelihood-Free Inference (ELFI) におけるRobust optimisation Monte Carlo (ROMC) メソッドの実装に焦点を当てている。我々の実装は、シミュレーターベースのモデルで推論を実行したい実践者に対して、堅牢で効率的なソリューションを提供します。
論文参考訳（メタデータ） (2020-11-08T13:22:37Z)
Trading off Accuracy for Speedup: Multiplier Bootstraps for Subgraph Counts [13.664682865991256]
カウント関数のための新しい乗算ブートストラップを提案する。高速で近似的な線形ブートストラップでは、$sqrtn$-consistent inference of the count functional is able to be able in certain computer regimes。二次ブートストラップでは,Edgeworth拡張が確立され,適切な空間条件下での高次精度が得られた。
論文参考訳（メタデータ） (2020-09-14T03:17:10Z)
Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
論文参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。