Fugu-MT 論文翻訳(概要): A Fundamental Accuracy--Robustness Trade-off in Regression and Classification

論文の概要: A Fundamental Accuracy--Robustness Trade-off in Regression and Classification

arxiv url: http://arxiv.org/abs/2411.05853v1
Date: Wed, 06 Nov 2024 22:03:53 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:12:08.700723
Title: A Fundamental Accuracy--Robustness Trade-off in Regression and Classification
Title（参考訳）: 基本的正確性--回帰・分類におけるロバスト性トレードオフ
Authors: Sohail Bahmani,
Abstract要約: 我々は、一般的な状況において、標準と敵のリスクの根本的なトレードオフを導出する。具体例として、軽度規則性条件下での導出リッジ関数による回帰のトレードオフを評価する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We derive a fundamental trade-off between standard and adversarial risk in a rather general situation that formalizes the following simple intuition: "If no (nearly) optimal predictor is smooth, adversarial robustness comes at the cost of accuracy." As a concrete example, we evaluate the derived trade-off in regression with polynomial ridge functions under mild regularity conditions.
Abstract（参考訳）: 我々は、以下の単純な直観を形式化する比較的一般的な状況において、標準と敵のリスクの基本的なトレードオフを導出する:「(ほぼ)最適予測器がスムーズでなければ、敵の堅牢性は正確さの犠牲になる」。具体例として, 多項式リッジ関数による回帰の導出トレードオフを, 穏やかな規則性条件下で評価する。

関連論文リスト

Conformalized Selective Regression [2.3964255330849356]
共形予測を利用した選択回帰手法を提案する。提案手法は, 選択回帰に適合し, 複数の最先端ベースラインに対して有利であることを示す。
論文参考訳（メタデータ） (2024-02-26T04:43:50Z)
Bayesian Nonparametrics Meets Data-Driven Distributionally Robust Optimization [29.24821214671497]
機械学習と統計モデルのトレーニングは、しばしばデータ駆動型リスク基準の最適化を伴う。ベイズ的非パラメトリック(ディリクレ過程)理論と、スムーズなあいまいさ-逆選好の最近の決定論的モデルを組み合わせた、新しいロバストな基準を提案する。実用的な実装として、よく知られたディリクレプロセスの表現に基づいて、評価基準の抽出可能な近似を提案し、研究する。
論文参考訳（メタデータ） (2024-01-28T21:19:15Z)
Robust Linear Regression: Phase-Transitions and Precise Tradeoffs for General Norms [29.936005822346054]
線形回帰モデルに対するテスト時間逆行攻撃の影響について検討する。標準予測性能(正確性)の所定のレベルを維持しながら、どのモデルでも到達できる最適なロバストネスのレベルを決定する。我々は、標準的な精度を損なうことなく、ロバスト性が達成可能なレジームと、トレードオフが避けられないレジームとを区別する正確なキャラクタリゼーションを得る。
論文参考訳（メタデータ） (2023-08-01T13:55:45Z)
Model-Based Uncertainty in Value Functions [89.31922008981735]
MDP上の分布によって引き起こされる値の分散を特徴付けることに重点を置いている。従来の作業は、いわゆる不確実性ベルマン方程式を解くことで、値よりも後方の分散を境界にしている。我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式を提案する。
論文参考訳（メタデータ） (2023-02-24T09:18:27Z)
The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文参考訳（メタデータ） (2022-11-11T19:34:17Z)
Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文参考訳（メタデータ） (2022-02-21T10:36:09Z)
Learning Probabilistic Ordinal Embeddings for Uncertainty-Aware Regression [91.3373131262391]
不確かさが唯一の確実性である。伝統的に、直接回帰定式化を考慮し、ある確率分布の族に出力空間を変更することによって不確実性をモデル化する。現在のレグレッション技術における不確実性をモデル化する方法は、未解決の問題である。
論文参考訳（メタデータ） (2021-03-25T06:56:09Z)
Distribution-Free Robust Linear Regression [5.532477732693]
共変体の分布を仮定せずにランダムな設計線形回帰を研究する。最適部分指数尾を持つオーダー$d/n$の過大なリスクを達成する非線形推定器を構築する。我々は、Gy"orfi, Kohler, Krzyzak, Walk が原因で、truncated least squares 推定器の古典的境界の最適版を証明した。
論文参考訳（メタデータ） (2021-02-25T15:10:41Z)
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)
On Model Identification and Out-of-Sample Prediction of Principal Component Regression: Applications to Synthetic Controls [20.96904429337912]
固定設計による高次元誤差変数設定における主成分回帰(PCR)の解析を行う。我々は、最もよく知られたレートで改善される非漸近的なアウト・オブ・サンプル予測の保証を確立する。
論文参考訳（メタデータ） (2020-10-27T17:07:36Z)
Understanding and Mitigating the Tradeoff Between Robustness and Accuracy [88.51943635427709]
逆行訓練は、堅牢なエラーを改善するために、摂動でトレーニングセットを増強する。拡張摂動が最適線形予測器からノイズのない観測を行う場合であっても,標準誤差は増大する可能性がある。
論文参考訳（メタデータ） (2020-02-25T08:03:01Z)

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。