論文の概要: An active learning framework for multi-group mean estimation

• arxiv url: http://arxiv.org/abs/2505.14882v1
• Date: Tue, 20 May 2025 20:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:58.736435
• Title: An active learning framework for multi-group mean estimation
• Title（参考訳）: 多群平均推定のためのアクティブラーニングフレームワーク
• Authors: Abdellah Aznag, Rachel Cummings, Adam N. Elmachtoub,
• Abstract要約: 未知のデータ分布を持つ複数のグループを対象とした基礎学習問題について検討する。 本稿では, 分散推定値に拘束される上限値に基づいて群を逐次選択するアルゴリズム, Variance-UCBを提案する。
• 参考スコア（独自算出の注目度）: 11.799152724436999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a fundamental learning problem over multiple groups with unknown data distributions, where an analyst would like to learn the mean of each group. Moreover, we want to ensure that this data is collected in a relatively fair manner such that the noise of the estimate of each group is reasonable. In particular, we focus on settings where data are collected dynamically, which is important in adaptive experimentation for online platforms or adaptive clinical trials for healthcare. In our model, we employ an active learning framework to sequentially collect samples with bandit feedback, observing a sample in each period from the chosen group. After observing a sample, the analyst updates their estimate of the mean and variance of that group and chooses the next group accordingly. The analyst's objective is to dynamically collect samples to minimize the collective noise of the estimators, measured by the norm of the vector of variances of the mean estimators. We propose an algorithm, Variance-UCB, that sequentially selects groups according to an upper confidence bound on the variance estimate. We provide a general theoretical framework for providing efficient bounds on learning from any underlying distribution where the variances can be estimated reasonably. This framework yields upper bounds on regret that improve significantly upon all existing bounds, as well as a collection of new results for different objectives and distributions than those previously studied.
• Abstract（参考訳）: 本研究では,データ分布が不明な複数のグループに対して,分析者が各グループの平均を学習したいという基本的な学習問題について検討する。 さらに、このデータを比較的公平に収集し、各グループの推定値のノイズが妥当であるようにしたいと思っています。 特に、オンラインプラットフォームにおける適応的実験や、医療における適応的臨床試験において重要な、データを動的に収集する設定に焦点を当てる。 本モデルでは,本モデルでは,各期間のサンプルを抽出群から観察し,包括的フィードバックによるサンプルの逐次収集を行うために,能動的学習フレームワークを用いている。 サンプルを観察した後、アナリストはそのグループの平均と分散の見積を更新し、それに従って次のグループを選択する。 アナリストの目的は、平均推定器の分散ベクトルのノルムによって測定された推定器の集合ノイズを最小限に抑えるために、サンプルを動的に収集することである。 本稿では, 分散推定値に拘束される上限値に基づいて群を逐次選択するアルゴリズム, Variance-UCBを提案する。 分散を合理的に推定できる基礎となる分布から学習に効率的な境界を与えるための一般的な理論的枠組みを提供する。 この枠組みは、既存のすべての境界に対して著しく改善された後悔の上限と、以前研究されたものと異なる目的と分布に対する新しい結果の収集をもたらす。

関連論文リスト

• On the Interconnections of Calibration, Quantification, and Classifier Accuracy Prediction under Dataset Shift [58.91436551466064]
  本稿では,データセットシフト条件下でのキャリブレーションと定量化の3つの基本問題間の相互接続について検討する。 これらのタスクのいずれか1つに対するオラクルへのアクセスは、他の2つのタスクの解決を可能にすることを示す。 本稿では,他の分野から借用した高度に確立された手法の直接適応に基づく各問題に対する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:42:55Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• 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)
• On Learning Fairness and Accuracy on Multiple Subgroups [9.789933013990966]
  両レベル対象として定式化することで,すべての部分群に対して公正な予測器を学習する原理的手法を提案する。 具体的には、サブグループ固有の予測器は、少量のデータと公正な予測器を通して下位層で学習される。 上位レベルでは、フェア予測器は全てのサブグループ固有の予測器に近接するように更新される。
  論文  参考訳（メタデータ） (2022-10-19T18:59:56Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Group selection and shrinkage: Structured sparsity for semiparametric additive models [0.0]
  群構造を尊重するスパース回帰と分類推定器は、統計学と機械学習の問題に応用できる。 非パラメトリックな面に適合するフレームワークを開発し、有限誤差モデルを示す。 多くの予測器を用いた足および経済予測器のモデル化における有効性を示す。
  論文  参考訳（メタデータ） (2021-05-25T17:00:25Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。