論文の概要: ACS: An interactive framework for conformal selection

• arxiv url: http://arxiv.org/abs/2507.15825v1
• Date: Mon, 21 Jul 2025 17:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:32.510657
• Title: ACS: An interactive framework for conformal selection
• Title（参考訳）: ACS:共形選択のためのインタラクティブフレームワーク
• Authors: Yu Gui, Ying Jin, Yash Nair, Zhimei Ren,
• Abstract要約: モデル自由選択のための対話型フレームワークである適応型コンフォメーションセレクション(ACS)を提案する。 ACSフレームワークでは、データの一部を再利用して、選択能力を高め、データの探索中に意思決定を行い、新たな情報や好みを取り入れることができます。 ACSの有効性は、大規模言語モデル(LLM)の展開と薬物発見における広範な数値シミュレーションと実データ応用によって実証される。
• 参考スコア（独自算出の注目度）: 4.895800842460756
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents adaptive conformal selection (ACS), an interactive framework for model-free selection with guaranteed error control. Building on conformal selection (Jin and Cand\`es, 2023b), ACS generalizes the approach to support human-in-the-loop adaptive data analysis. Under the ACS framework, we can partially reuse the data to boost the selection power, make decisions on the fly while exploring the data, and incorporate new information or preferences as they arise. The key to ACS is a carefully designed principle that controls the information available for decision making, allowing the data analyst to explore the data adaptively while maintaining rigorous control of the false discovery rate (FDR). Based on the ACS framework, we provide concrete selection algorithms for various goals, including model update/selection, diversified selection, and incorporating newly available labeled data. The effectiveness of ACS is demonstrated through extensive numerical simulations and real-data applications in large language model (LLM) deployment and drug discovery.
• Abstract（参考訳）: 本稿では,アダプティブ・コンフォーマル・セレクション(ACS)を提案する。 ACSは、共形選択(JinとCand\`es, 2023b)に基づいて、ヒューマン・イン・ザ・ループ適応データ解析をサポートするアプローチを一般化する。 ACSフレームワークでは、データの一部を再利用して、選択能力を高め、データの探索中に意思決定を行い、新たな情報や好みを取り入れることができます。 ACSの鍵となるのは、意思決定に利用可能な情報を制御する、慎重に設計された原則であり、データアナリストは、偽発見率(FDR)の厳密な制御を維持しながら、データを適応的に探索することができる。 ACSフレームワークに基づいて、モデル更新/選択、多様化された選択、新たに利用可能なラベル付きデータの導入など、様々な目標に対して具体的な選択アルゴリズムを提供する。 ACSの有効性は、大規模言語モデル(LLM)の展開と薬物発見における広範な数値シミュレーションと実データ応用によって実証される。

関連論文リスト

• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)
• FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
  Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。 ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。 本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
  論文  参考訳（メタデータ） (2025-03-20T04:49:40Z)
• Optimized Conformal Selection: Powerful Selective Inference After Conformity Score Optimization [4.984656106595651]
  本稿では、フレキシブルなデータ駆動モデル最適化後に有効な統計的テスト(選択)を可能にするOptCSを提案する。 我々は,データ再利用が十分であるにもかかわらず,OptCSが正則なp-値を構成する一般的な条件を紹介する。 モデルごとに異なる最適化を行うFDR制御手順を3つ提案する。
  論文  参考訳（メタデータ） (2024-11-27T01:40:50Z)
• SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [55.87169702896249]
  Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。 本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。 本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-07-16T12:52:29Z)
• BWS: Best Window Selection Based on Sample Scores for Data Pruning across Broad Ranges [12.248397169100784]
  データサブセットの選択は、フルデータセットのトレーニングを近似できる大規模なデータセットの、小さくても情報に富むサブセットを見つけることを目的としている。 難易度スコアに基づいて順序付けされたサンプルから最適なウィンドウサブセットを選択する方法を提案することにより、普遍的で効率的なデータサブセット選択法であるBest Window Selection(BWS)を導入する。
  論文  参考訳（メタデータ） (2024-06-05T08:33:09Z)
• Feature Selection in the Contrastive Analysis Setting [17.90957424147776]
  コントラスト分析(Contrastive Analysis、CA)は、ターゲットデータセットに独自に濃縮されたバリエーションの探索を指す。 コントラスト特徴選択(CFS)は,CA設定において特徴選択を行う手法である。 提案手法は従来提案されていた教師付きかつ完全に教師なしな特徴選択法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2023-10-27T23:16:03Z)
• Divide and Adapt: Active Domain Adaptation via Customized Learning [56.79144758380419]
  対象インスタンスを成層化可能な4つのカテゴリに分割する新しいADAフレームワークであるDiaNA(Divide-and-Adapt)を提案する。 不確実性とドメイン性に基づく新しいデータ分割プロトコルにより、DiaNAは最も有利なサンプルを正確に認識することができる。 の精神のおかげで、DiaNAはドメインギャップの大きなバリエーションでデータを処理できる。
  論文  参考訳（メタデータ） (2023-07-21T14:37:17Z)
• Zero-shot Composed Text-Image Retrieval [72.43790281036584]
  合成画像検索(CIR)の問題点を考察する。 テキストや画像などのマルチモーダル情報を融合し、クエリにマッチする画像を正確に検索し、ユーザの表現能力を拡張できるモデルをトレーニングすることを目的としている。
  論文  参考訳（メタデータ） (2023-06-12T17:56:01Z)
• Causal Disentangled Variational Auto-Encoder for Preference Understanding in Recommendation [50.93536377097659]
  本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。 この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
  論文  参考訳（メタデータ） (2023-04-17T00:10:56Z)
• Attitudes and Latent Class Choice Models using Machine learning [0.0]
  LCCM (Latent Class Choice Models) の仕様において, 位置インジケータを効率的に組み込む手法を提案する。 この定式化は、位置指標と決定選択との関係を探索する能力において構造方程式を克服する。 我々は,デンマークのコペンハーゲンから,カーシェアリング(Car-Sharing, CS)サービスサブスクリプションの選択を推定するためのフレームワークをテストした。
  論文  参考訳（メタデータ） (2023-02-20T10:03:01Z)
• S$^3$VAADA: Submodular Subset Selection for Virtual Adversarial Active Domain Adaptation [49.01925978752677]
  現実のシナリオでは、少数のターゲットデータに対してラベルを取得することは可能かもしれません。 我々は,S$3$VAADAを提案する。これは,ラベルに対する最大情報サブセットを選択するための,新しいサブモジュール基準を導入し,また,クラスタベースのDA手順を強化する。 我々のアプローチは、ドメインシフトの度合いの異なるデータセットにおいて、競合する最先端のアプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2021-09-18T10:53:57Z)

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。