Fugu-MT 論文翻訳(概要): Revisiting Agnostic Boosting

論文の概要: Revisiting Agnostic Boosting

arxiv url: http://arxiv.org/abs/2503.09384v1
Date: Wed, 12 Mar 2025 13:29:33 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-13 21:17:52.779374
Title: Revisiting Agnostic Boosting
Title（参考訳）: 不可知的なブースティングを再考する
Authors: Arthur da Cunha, Mikael Møller Høgsgaard, Andrea Paudice, Yuxin Sun,
Abstract要約: サンプルの複雑さを大幅に改善した新しい非依存的ブースティングアルゴリズムを提案する。提案手法により得られた誤差率を対数係数に最適化する。
参考スコア（独自算出の注目度）: 6.913672545578391
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Boosting is a key method in statistical learning, allowing for converting weak learners into strong ones. While well studied in the realizable case, the statistical properties of weak-to-strong learning remains less understood in the agnostic setting, where there are no assumptions on the distribution of the labels. In this work, we propose a new agnostic boosting algorithm with substantially improved sample complexity compared to prior works under very general assumptions. Our approach is based on a reduction to the realizable case, followed by a margin-based filtering step to select high-quality hypotheses. We conjecture that the error rate achieved by our proposed method is optimal up to logarithmic factors.
Abstract（参考訳）: ブースティングは統計的学習において重要な方法であり、弱い学習者を強い学習者に変換することができる。実現可能なケースではよく研究されているが、弱強学習の統計的性質は、ラベルの分布に仮定が存在しないような不可知的な環境では理解されていない。そこで本研究では,本研究で提案するサンプルの複雑さを極めて一般の前提下での先行研究と比較して大幅に改善した,新しい非依存的ブースティングアルゴリズムを提案する。我々のアプローチは、実現可能なケースの削減と、高品質な仮説を選択するためのマージンベースのフィルタリングのステップに基づいている。提案手法により得られた誤差率を対数係数に最適化する。

関連論文リスト

Sample-Near-Optimal Agnostic Boosting with Improved Running Time [10.9284286893389]
ブースティングは、ランダムな推測よりもわずかに優れた弱い学習者を高い精度で強力な学習者に変える強力な方法である。そこで本研究では,問題の他のパラメータを考慮に入れた場合,サンプルサイズで時間的に動作する,近似的なサンプル複雑性を持つ最初の非依存的ブースティングアルゴリズムを提案する。
論文参考訳（メタデータ） (2026-01-16T13:13:36Z)
Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
論文参考訳（メタデータ） (2025-06-03T02:56:26Z)
Sample-Optimal Agnostic Boosting with Unlabeled Data [19.15484761265653]
Boostingは、親指の不正確なルールから正確な学習アルゴリズムを構築するためのフレームワークを提供する。本稿は、予期せぬ、これまで探索されなかった改善の道である未ラベルのサンプルを取り上げる。我々は、最もよく知られたブースティングアルゴリズムにおいて、必要となるサンプルの総数は、ラベル付きおよびラベル付きで、それ以上ではないことを示した。
論文参考訳（メタデータ） (2025-03-06T18:54:42Z)
Sample-Efficient Agnostic Boosting [19.15484761265653]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、既知のすべてのブースティングアルゴリズムよりも4次的に標本効率が高いという、不可知的なブースティング手法を超越している。アルゴリズムの重要な特徴は、一様収束引数のブラックボックスアプリケーションで得られるものよりも厳密な一般化誤差を保証しつつ、複数ラウンドのブースティングのサンプルを再利用する能力を活用することである。
論文参考訳（メタデータ） (2024-10-31T04:50:29Z)
Variance Reduction and Low Sample Complexity in Stochastic Optimization via Proximal Point Method [2.339665141986377]
このような保証は、有界分散というより弱い仮定の下でも達成できることを示す。この方法は、本質的に分散を減少させるサブプロブレムソルバと、信頼性を高信頼な結果に増幅する確率ブースターを組み合わせる。
論文参考訳（メタデータ） (2024-02-14T07:34:22Z)
ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
論文参考訳（メタデータ） (2022-09-04T12:49:20Z)
Clipped Stochastic Methods for Variational Inequalities with Heavy-Tailed Noise [64.85879194013407]
単調なVIPと非単調なVIPの解法における信頼度に対数的依存を持つ最初の高確率結果が証明された。この結果は光尾の場合で最もよく知られたものと一致し,非単調な構造問題に新鮮である。さらに,多くの実用的な定式化の勾配雑音が重く,クリッピングによりSEG/SGDAの性能が向上することを示す。
論文参考訳（メタデータ） (2022-06-02T15:21:55Z)
Don't Explain Noise: Robust Counterfactuals for Randomized Ensembles [50.81061839052459]
我々は確率論的問題として、堅牢な対実的説明の生成を定式化する。アンサンブルモデルのロバスト性とベース学習者のロバスト性との関係を示す。本手法は, 反実的説明から初期観測までの距離をわずかに増加させるだけで, 高いロバスト性を実現する。
論文参考訳（メタデータ） (2022-05-27T17:28:54Z)
A Boosting Approach to Reinforcement Learning [59.46285581748018]
複雑度が状態数に依存しない意思決定プロセスにおける強化学習のための効率的なアルゴリズムについて検討する。このような弱い学習手法の精度を向上させることができる効率的なアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-08-22T16:00:45Z)
Efficient First-Order Contextual Bandits: Prediction, Allocation, and Triangular Discrimination [82.52105963476703]
統計的学習、オンライン学習、その他における繰り返しのテーマは、低騒音の問題に対してより速い収束率が可能であることである。 1次保証は統計的およびオンライン学習において比較的よく理解されている。三角識別と呼ばれる対数損失と情報理論量が一階保証を得る上で基本的な役割を担っていることを示す。
論文参考訳（メタデータ） (2021-07-05T19:20:34Z)
Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
論文参考訳（メタデータ） (2021-06-03T09:50:13Z)
Improved Algorithms for Agnostic Pool-based Active Classification [20.12178157010804]
プールに依存しない環境でのバイナリ分類のためのアクティブラーニングを検討する。我々のアルゴリズムは、画像分類データセットにおけるアートアクティブな学習アルゴリズムの状況よりも優れている。
論文参考訳（メタデータ） (2021-05-13T18:24:30Z)
Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
論文参考訳（メタデータ） (2020-05-08T05:09:08Z)
Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-02-19T08:35:15Z)
The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
論文参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。