論文の概要: Collaborative Prediction: Tractable Information Aggregation via Agreement
- arxiv url: http://arxiv.org/abs/2504.06075v1
- Date: Tue, 08 Apr 2025 14:12:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:28:09.706038
- Title: Collaborative Prediction: Tractable Information Aggregation via Agreement
- Title（参考訳）: 協調予測:合意を通じたトラクタブルな情報集約
- Authors: Natalie Collina, Ira Globus-Harris, Surbhi Goel, Varun Gupta, Aaron Roth, Mirah Shi,
- Abstract要約: 同じインスタンスに関する異なる特徴を観測する2つのパーティは、自分自身で得られるものよりも正確な予測に到達するために対話することができる。
当社のプロトコルは,各組織の特徴空間のみを学習する問題に対する効率の低下である。
我々はプロトコルを高次元結果空間を持つ決定論的設定に一般化する。
- 参考スコア（独自算出の注目度）: 15.230281170730303
- License:
- Abstract: We give efficient "collaboration protocols" through which two parties, who observe different features about the same instances, can interact to arrive at predictions that are more accurate than either could have obtained on their own. The parties only need to iteratively share and update their own label predictions-without either party ever having to share the actual features that they observe. Our protocols are efficient reductions to the problem of learning on each party's feature space alone, and so can be used even in settings in which each party's feature space is illegible to the other-which arises in models of human/AI interaction and in multi-modal learning. The communication requirements of our protocols are independent of the dimensionality of the data. In an online adversarial setting we show how to give regret bounds on the predictions that the parties arrive at with respect to a class of benchmark policies defined on the joint feature space of the two parties, despite the fact that neither party has access to this joint feature space. We also give simpler algorithms for the same task in the batch setting in which we assume that there is a fixed but unknown data distribution. We generalize our protocols to a decision theoretic setting with high dimensional outcome spaces, where parties communicate only "best response actions." Our theorems give a computationally and statistically tractable generalization of past work on information aggregation amongst Bayesians who share a common and correct prior, as part of a literature studying "agreement" in the style of Aumann's agreement theorem. Our results require no knowledge of (or even the existence of) a prior distribution and are computationally efficient. Nevertheless we show how to lift our theorems back to this classical Bayesian setting, and in doing so, give new information aggregation theorems for Bayesian agreement.
- Abstract（参考訳）: 我々は、同一のインスタンスについて異なる特徴を観察する2つの当事者が相互作用し、単独で得られるものよりも正確である予測に到達できる効率的な「協調プロトコル」を提供する。
当事者は、自分のラベルの予測を反復的に共有し、更新するだけでいい。
我々のプロトコルは、各人の特徴空間を単独で学習する問題に対する効率的な削減であり、また、人間とAIの相互作用モデルやマルチモーダルな学習モデルにおいて、各人の特徴空間が他と区別できるような設定でも使用することができる。
我々のプロトコルの通信要求は、データの次元性とは無関係である。
オンラインの敵対的設定では、双方が共同機能領域にアクセスできないという事実にもかかわらず、両者の合同機能領域に定義されたベンチマークポリシーのクラスに対して、当事者が到着したという予測に後悔の念を与える方法を示す。
また、バッチ設定で同じタスクに対して、固定だが未知のデータ分布が存在すると仮定する、より単純なアルゴリズムも提供します。
我々は、我々のプロトコルを高次元結果空間による決定論的セッティングに一般化し、当事者が「最良の反応行動」のみを伝達する。この定理は、アウマンの合意定理のスタイルで「集合」を研究する文献の一部として、共通かつ正しい事前を共有しているベイズ派の間での情報集約に関する過去の研究の計算的かつ統計的に抽出可能な一般化を与える。
我々の結果は、事前分布の知識(あるいは存在さえ)を必要とせず、計算的に効率的である。
それでも、この古典的ベイズ的設定に定理を戻す方法を示し、そうすることでベイズ的合意に対する新たな情報集約定理を与える。
関連論文リスト
- Tractable Agreement Protocols [17.313852884203314]
本稿では,任意の機械学習アルゴリズムを対話型プロトコルに変換する効率的な削減手法を提案する。
我々のプロトコルでは、まずモデルが予測を提供し、次に人間が同意するかフィードバックを提供することで応答する。
我々のプロトコルは、単純で効率的な条件に頼り、どの党単独の精度を超越した予測を生成する。
論文 参考訳（メタデータ） (2024-11-29T15:52:59Z) - Probably Approximately Precision and Recall Learning [62.912015491907994]
精度とリコールは機械学習の基本的な指標である。
一方的なフィードバック – トレーニング中にのみ肯定的な例が観察される – は,多くの実践的な問題に固有のものだ。
PAC学習フレームワークでは,各仮説をグラフで表現し,エッジは肯定的な相互作用を示す。
論文 参考訳（メタデータ） (2024-11-20T04:21:07Z) - Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。
近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。
本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-11T13:44:49Z) - Practical, Private Assurance of the Value of Collaboration via Fully Homomorphic Encryption [3.929854470352013]
2つのパーティーは、データセットで協力したいと思っています。
一方の当事者は、他方の当事者からのデータを取り入れることで、予測モデルの改善を約束する。
当事者は、更新されたモデルが正確性の向上を示した場合にのみ、さらなる協力を希望する。
論文 参考訳（メタデータ） (2023-10-04T03:47:21Z) - Prototype-based Aleatoric Uncertainty Quantification for Cross-modal
Retrieval [139.21955930418815]
クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。
しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。
本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T09:41:19Z) - Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。
偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。
本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文 参考訳（メタデータ） (2023-06-19T18:25:44Z) - Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。
本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
論文 参考訳（メタデータ） (2022-10-26T03:19:24Z) - Assessing Data Efficiency in Task-Oriented Semantic Parsing [54.87705549021248]
我々は、ある品質バーを達成するのに、ドメイン内の「ターゲット」データがどれだけ必要であるかを近似した4段階のプロトコルを導入する。
我々は,タスク指向セマンティック解析の実践者に対して,その柔軟性と適用性を示す実世界の2つのケーススタディに適用する。
論文 参考訳（メタデータ） (2021-07-10T02:43:16Z) - Privacy-Preserving Federated Learning on Partitioned Attributes [6.661716208346423]
フェデレーション学習は、ローカルデータやモデルを公開することなく、協調的なトレーニングを促進する。
ローカルモデルをチューニングし、プライバシー保護された中間表現をリリースする逆学習ベースの手順を紹介します。
精度低下を緩和するために,前方後方分割アルゴリズムに基づく防御法を提案する。
論文 参考訳（メタデータ） (2021-04-29T14:49:14Z) - Controllable Guarantees for Fair Outcomes via Contrastive Information
Estimation [32.37031528767224]
トレーニングデータセットにおけるバイアスの制御は、下流のアプリケーションで異なるグループ間で平等に扱われることを保証するために不可欠である。
対比情報推定器に基づく相互情報によるパリティ制御の効果的な方法を示す。
uci成人および遺産健康データセットに対する我々のアプローチをテストし、このアプローチが所望のパリティ閾値にまたがってより有益な表現を提供することを実証する。
論文 参考訳（メタデータ） (2021-01-11T18:57:33Z) - An Accurate, Scalable and Verifiable Protocol for Federated
Differentially Private Averaging [0.0]
我々は、参加者に提供されるプライバシー保証と、悪意ある当事者の存在下での計算の正しさに関する課題に取り組む。
最初のコントリビューションはスケーラブルなプロトコルで、参加者はネットワークグラフのエッジに沿って関連するガウスノイズを交換する。
第2のコントリビューションでは,プロトコルの効率性とプライバシ保証を損なうことなく,計算の正確性を証明することができる。
論文 参考訳（メタデータ） (2020-06-12T14:21:10Z)
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。