論文の概要: On classical advice, sampling advise and complexity assumptions for learning separations

• arxiv url: http://arxiv.org/abs/2408.13880v1
• Date: Sun, 25 Aug 2024 16:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-08-27 15:42:00.359762
• Title: On classical advice, sampling advise and complexity assumptions for learning separations
• Title（参考訳）: 古典的アドバイス : 学習分離のためのサンプリングアドバイスと複雑性仮定について
• Authors: Jordi Pérez-Guijarro,
• Abstract要約: 我々は、サンプリングアドバイス、すなわちトレーニングセットの形でのアドバイスと古典的なアドバイスの等価性を証明する。 主な結果は,BPP/sampがP/polyに等しいことを示す。 量子学習の高速化を示す概念クラスの存在に対する十分かつ必要な複雑性の仮定を同定する。
• 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: In this paper, we prove the equivalence between sampling advice, i.e., advice in the form of a training set, and classical advice. Specifically, our main result demonstrates that BPP/samp is equal to P/poly. Additionally, we delve into the analysis of these relationships under the constraint of a fixed distribution. Notably, we show that under such circumstances, the equality does not hold. This result remains valid when considering quantum advice and a quantum generalization of the training set. Finally, leveraging the insights gained from these proofs, we identify sufficient and necessary complexity assumptions for the existence of concept classes that exhibit a quantum learning speed-up in the worst-case scenario, i.e., when accurate results are required for all inputs.
• Abstract（参考訳）: 本稿では,サンプリング・アドバイス,すなわちトレーニング・セットの形でのアドバイスと古典的アドバイスの等価性を実証する。 具体的には,BPP/sampがP/polyに等しいことを示す。 さらに、固定分布の制約の下で、これらの関係の分析を掘り下げる。 特に、そのような状況下では、平等は保たないことを示す。 この結果は、量子アドバイスとトレーニングセットの量子一般化を考える際にも有効である。 最後に、これらの証明から得られた知見を活用して、最悪のシナリオにおいて量子学習のスピードアップを示す概念クラスの存在、すなわち全ての入力に対して正確な結果が必要な場合に、十分かつ必要な複雑性の仮定を特定する。

関連論文リスト

• Few measurement shots challenge generalization in learning to classify entanglement [0.0]
  本稿では,古典的機械学習手法を量子アルゴリズムと組み合わせたハイブリッド量子学習技術に焦点を当てる。 いくつかの設定では、いくつかの測定ショットから生じる不確実性がエラーの主な原因であることを示す。 従来の影をベースとした推定器を導入し,その性能を向上する。
  論文  参考訳（メタデータ） (2024-11-10T21:20:21Z)
• Empirical Tests of Optimization Assumptions in Deep Learning [41.05664717242051]
  本稿では,理論解析において制御しなければならない重要な量を追跡するための新しい経験的指標を開発する。 テストされたすべての仮定は、確実に最適化性能を捉えられません。 このことは、理論解析に使用される解析的仮定の新しい実証的検証の必要性を強調している。
  論文  参考訳（メタデータ） (2024-07-01T21:56:54Z)
• Winner-takes-all learners are geometry-aware conditional density estimators [27.23421724971587]
  条件密度推定において,各学習者の魅力ある幾何学的特性を活用する方法を示す。 我々は、量子化と密度推定の両面から、新しい推定器の利点を理論的に確立する。
  論文  参考訳（メタデータ） (2024-06-07T07:28:22Z)
• On Bounded Advice Classes [1.9662978733004604]
  本研究では,有界アドバイスクラス,量子有界アドバイスクラス,ランダム化された有界アドバイスクラスの関係について検討する。 本研究は,アドバイス関数の複雑さに関する既存の研究において,技術の現状を改善した。
  論文  参考訳（メタデータ） (2024-05-28T13:16:10Z)
• United We Stand: Using Epoch-wise Agreement of Ensembles to Combat Overfit [7.627299398469962]
  オーバーフィッティングを効果的に克服するディープネットワークのための新しいアンサンブル分類器を提案する。 本手法は, 汎用性能の劣化を伴わずに, オーバーフィッティング段階で得られた有用な知識を組み込むことが可能である。 私たちの方法は実装が容易で、どんなトレーニングスキームやアーキテクチャにも統合できます。
  論文  参考訳（メタデータ） (2023-10-17T08:51:44Z)
• Hierarchical Decomposition of Prompt-Based Continual Learning: Rethinking Obscured Sub-optimality [55.88910947643436]
  大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。 HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。 実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
  論文  参考訳（メタデータ） (2023-10-11T06:51:46Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• Skeptical binary inferences in multi-label problems with sets of probabilities [0.0]
  複数ラベル問題に対する分布的に堅牢で懐疑的な推測を行うことの問題点を考察する。 懐疑論により、我々はこの集合内のすべての分布に対して真であるような推論のみを有効とみなすことができると理解する。 特にハミング損失の場合、多ラベル問題における共通損失関数について検討し、この設定において懐疑的な推論がいかに可能かを示す。
  論文  参考訳（メタデータ） (2022-05-02T05:37:53Z)
• A Characterization of Semi-Supervised Adversarially-Robust PAC Learnability [57.502573663108535]
  本研究では、半教師付きPACモデルにおいて、時間攻撃をテストするために、逆向きに頑健な予測器を学習する問題について検討する。 最悪の分布自由モデルにおいても,半教師付き頑健な学習には大きなメリットがあることが示されている。
  論文  参考訳（メタデータ） (2022-02-11T03:01:45Z)
• Classical shadows with Pauli-invariant unitary ensembles [0.0]
  パウリ不変ユニタリアンサンブルのクラスを、パウリ作用素による乗法の下で不変とする。 我々の結果は、量子状態の重要な性質を予測するための、より効率的で堅牢なプロトコルの道を開いた。
  論文  参考訳（メタデータ） (2022-02-07T15:06:30Z)
• Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
  長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。 尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。 そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
  論文  参考訳（メタデータ） (2022-01-08T07:48:36Z)
• Adversarial Robustness with Semi-Infinite Constrained Learning [177.42714838799924]
  入力に対する深い学習は、安全クリティカルなドメインでの使用に関して深刻な疑問を提起している。 本稿では,この問題を緩和するために,Langevin Monte Carlo のハイブリッドトレーニング手法を提案する。 当社のアプローチは、最先端のパフォーマンスと堅牢性の間のトレードオフを軽減することができることを示す。
  論文  参考訳（メタデータ） (2021-10-29T13:30:42Z)
• Reinforcement Learning with Trajectory Feedback [76.94405309609552]
  本研究では、この仮定を緩和する第一歩を踏み出し、より弱い形のフィードバックを必要とする。 あらゆる行動の後に得られる報酬を観察する代わりに、エージェントが観察する全軌道の質、すなわち、この軌道上で得られるすべての報酬の総和を表すスコアのみを受け取ると仮定する。 我々は、未知の遷移モデルと未知の遷移モデルの両方に対して、未知の報酬の最小二乗推定に基づいて強化学習アルゴリズムをこの設定に拡張し、それらの後悔を分析してこれらのアルゴリズムの性能について検討する。
  論文  参考訳（メタデータ） (2020-08-13T17:49:18Z)
• Sample-Efficient Reinforcement Learning of Undercomplete POMDPs [91.40308354344505]
  この研究は、これらの硬度障壁が、部分観測可能決定過程(POMDP)の豊かで興味深いサブクラスに対する効率的な強化学習を妨げないことを示している。 提案手法は, 観測回数が潜伏状態の数よりも大きく, 探索が学習に不可欠であり, 先行研究と区別できるような, エピソード有限不完全POMDPに対するサンプル効率アルゴリズムOOM-UCBを提案する。
  論文  参考訳（メタデータ） (2020-06-22T17:58:54Z)
• Binary Classification with Classical Instances and Quantum Labels [0.0]
  古典的統計学習理論において、最もよく研究されている問題の1つは二項分類である。 このタスクの量子アナログで、量子状態として与えられたトレーニングデータも激しく研究され、現在では古典的なデータと同じサンプルの複雑さを持つことが知られている。 古典的入力と量子出力を持つ写像とそれに対応する古典的量子訓練データを考慮した古典的二項分類タスクの量子バージョンを提案する。
  論文  参考訳（メタデータ） (2020-06-10T18:00:09Z)
• Best Arm Identification for Cascading Bandits in the Fixed Confidence Setting [81.70513857417106]
  CascadeBAIを設計し、分析する。これは、$K$アイテムのベストセットを見つけるアルゴリズムである。 CascadeBAIの時間的複雑さの上限は、決定的な分析課題を克服することによって導かれる。 その結果,カスケードBAIの性能は,時間的複雑性の低い境界の導出により,いくつかの実践的状況において最適であることが示唆された。
  論文  参考訳（メタデータ） (2020-01-23T16:47:52Z)

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。