論文の概要: Property Elicitation on Imprecise Probabilities
- arxiv url: http://arxiv.org/abs/2507.05857v1
- Date: Tue, 08 Jul 2025 10:36:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-09 16:34:37.851947
- Title: Property Elicitation on Imprecise Probabilities
- Title（参考訳）: 不正確な確率に関する特性推定
- Authors: James Bailie, Rabanus Derr,
- Abstract要約: 我々は、不正確な確率(IP)に対する資産誘引の一般化について検討する。
我々は,知的財産権の取得に必要条件を提供する。
我々は、ライセンス可能なIP-プロパティが実際にベイズペアを通して引き起こすものを説明する。
- 参考スコア（独自算出の注目度）: 1.6114012813668932
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Property elicitation studies which attributes of a probability distribution can be determined by minimising a risk. We investigate a generalisation of property elicitation to imprecise probabilities (IP). This investigation is motivated by multi-distribution learning, which takes the classical machine learning paradigm of minimising a single risk over a (precise) probability and replaces it with $\Gamma$-maximin risk minimization over an IP. We provide necessary conditions for elicitability of a IP-property. Furthermore, we explain what an elicitable IP-property actually elicits through Bayes pairs -- the elicited IP-property is the corresponding standard property of the maximum Bayes risk distribution.
- Abstract（参考訳）: 確率分布の属性はリスクを最小化することで決定できる。
本稿では,不正確な確率 (IP) に対する資産誘引の一般化について検討する。
この調査はマルチディストリビューション学習によって動機付けられ、従来の機械学習パラダイムでは、(正確)確率よりも単一のリスクを最小限に抑え、IP上のリスク最小化を$\Gamma$-maximinに置き換える。
我々は,知的財産権の取得に必要条件を提供する。
さらに、ライセンス可能なIPプロパティが実際にベイズペアを介して引き起こすものは何かを説明します -- ライセンスされたIPプロパティはベイズリスクの最大分布の対応する標準特性です。
関連論文リスト
- Extracting Probabilistic Knowledge from Large Language Models for Bayesian Network Parameterization [22.286144400569007]
LLM(Large Language Models)は、現実的な知識基盤としての可能性を示している。
本稿では, LLMにおける確率的知識を用いて, 事象に関する言明の確率推定を導出する。
論文 参考訳（メタデータ） (2025-05-21T18:15:05Z) - Achievable distributional robustness when the robust risk is only partially identified [8.192907805418583]
安全クリティカルなアプリケーションでは、機械学習モデルは最悪の分散シフトの下でうまく一般化すべきである。
我々は、識別可能性に関係なく常に明確に定義された、ロバスト性の新しい尺度として、最悪のロバストリスクを導入します。
まず, 既存のロバストネス法が部分的に同定可能な場合において, 確実に準最適であることを示す。
論文 参考訳（メタデータ） (2025-02-04T20:42:47Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
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(UBE)を提案する。
本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
論文 参考訳（メタデータ） (2023-12-07T15:55:58Z) - Risk-Averse MDPs under Reward Ambiguity [9.929659318167731]
本稿では,リスクと報酬のあいまいさの下で,マルコフ決定過程(MDP)の分布的に堅牢なリターンリスクモデルを提案する。
スケーラブルな一階述語アルゴリズムは大規模問題の解法として設計されている。
論文 参考訳（メタデータ） (2023-01-03T11:06:30Z) - Tailoring to the Tails: Risk Measures for Fine-Grained Tail Sensitivity [10.482805367361818]
予測されるリスクアレンジメント(ERM)は、マシンラーニングシステムの中核にある。
本稿では,所望のテール感度を示すリスク対策を構築するための一般的な手法を提案する。
論文 参考訳（メタデータ） (2022-08-05T09:51:18Z) - Off-Policy Evaluation of Slate Policies under Bayes Risk [70.10677881866047]
スレートのスロット上でロギングポリシーが因子化される典型的なケースにおいて、スレート帯のオフポリシ評価の問題について検討する。
PIによるリスク改善はスロット数とともに線形に増加し、スロットレベルの分岐の集合の算術平均と調和平均とのギャップによって線形に増加することを示す。
論文 参考訳（メタデータ） (2021-01-05T20:07:56Z) - PAC$^m$-Bayes: Narrowing the Empirical Risk Gap in the Misspecified
Bayesian Regime [75.19403612525811]
この研究は、2つのリスク間のトレードオフを分散することでギャップを埋めることのできるマルチサンプル損失を開発する。
実証的研究は予測分布の改善を示す。
論文 参考訳（メタデータ） (2020-10-19T16:08:34Z) - Learning Bounds for Risk-sensitive Learning [86.50262971918276]
リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。
最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
論文 参考訳（メタデータ） (2020-06-15T05:25:02Z)
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。
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。