論文の概要: Personalized Prediction By Learning Halfspace Reference Classes Under Well-Behaved Distribution

• arxiv url: http://arxiv.org/abs/2509.15592v1
• Date: Fri, 19 Sep 2025 04:51:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.001522
• Title: Personalized Prediction By Learning Halfspace Reference Classes Under Well-Behaved Distribution
• Title（参考訳）: 高度分布に基づくハーフスペース参照クラス学習によるパーソナライズド予測
• Authors: Jizhou Huang, Brendan Juba,
• Abstract要約: 本研究はパーソナライズド予測スキームを提案し,クエリ毎に容易に解釈可能な予測器を学習する。 この研究の目的は、ラベルに依存しない環境で「半空間」で表されるサブ人口の予測モデルのPAC学習可能性を研究することである。
• 参考スコア（独自算出の注目度）: 21.00905771355709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In machine learning applications, predictive models are trained to serve future queries across the entire data distribution. Real-world data often demands excessively complex models to achieve competitive performance, however, sacrificing interpretability. Hence, the growing deployment of machine learning models in high-stakes applications, such as healthcare, motivates the search for methods for accurate and explainable predictions. This work proposes a Personalized Prediction scheme, where an easy-to-interpret predictor is learned per query. In particular, we wish to produce a "sparse linear" classifier with competitive performance specifically on some sub-population that includes the query point. The goal of this work is to study the PAC-learnability of this prediction model for sub-populations represented by "halfspaces" in a label-agnostic setting. We first give a distribution-specific PAC-learning algorithm for learning reference classes for personalized prediction. By leveraging both the reference-class learning algorithm and a list learner of sparse linear representations, we prove the first upper bound, $O(\mathrm{opt}^{1/4} )$, for personalized prediction with sparse linear classifiers and homogeneous halfspace subsets. We also evaluate our algorithms on a variety of standard benchmark data sets.
• Abstract（参考訳）: 機械学習アプリケーションでは、予測モデルは、データ分散全体にわたって将来のクエリを提供するように訓練される。 実世界のデータは、しばしば競争性能を達成するために過度に複雑なモデルを必要とするが、解釈可能性の犠牲になる。 したがって、医療などの高度なアプリケーションに機械学習モデルが展開されるにつれて、正確で説明可能な予測方法の探索がモチベーションとなる。 本研究はパーソナライズド予測スキームを提案し,クエリ毎に容易に解釈可能な予測器を学習する。 特に、クエリポイントを含むサブポピュレーションに特化して競合性能の「疎線形」分類器を作成したい。 この研究の目的は、ラベルに依存しない環境で「半空間」で表されるサブ人口の予測モデルのPAC学習可能性を研究することである。 まず、パーソナライズされた予測のための参照クラスを学習するための分布固有のPAC学習アルゴリズムを提案する。 参照クラス学習アルゴリズムとスパース線形表現のリスト学習器の両方を利用して、スパース線形分類器と均質半空間部分集合を用いたパーソナライズされた予測のために、最初の上限である$O(\mathrm{opt}^{1/4} )$を証明した。 また,各種標準ベンチマークデータセットを用いてアルゴリズムの評価を行った。

関連論文リスト

• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• 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)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Personalized Interpretable Classification [6.694135469324352]
  我々は、新たなデータマイニング問題として、パーソナライズされた解釈可能な分類を正式に導入する第一歩を踏み出します。 個々のテストサンプルに対してパーソナライズされたルールを識別するために,PICというグリージーなアルゴリズムを提案する。 我々のアルゴリズムは、最先端のSOTA(State-of-the-art)の解釈と同じレベルの予測精度を達成できる。
  論文  参考訳（メタデータ） (2023-02-06T01:59:16Z)
• CLIPood: Generalizing CLIP to Out-of-Distributions [73.86353105017076]
  対照的に、CLIP(Language-image Pre-training)モデルでは、印象的なゼロショット能力を示しているが、下流タスクにおけるCLIPのさらなる適応は、OODのパフォーマンスを好ましくない劣化させる。 ドメインシフトとオープンクラスの両方が見えないテストデータ上で発生する可能性があるOOD状況にCLIPモデルを適用するための微調整手法であるCLIPoodを提案する。 さまざまなOODシナリオによるさまざまなデータセットの実験は、CLIPoodが既存の一般化テクニックを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2023-02-02T04:27:54Z)
• Mixed moving average field guided learning for spatio-temporal data [0.0]
  我々は,新しいベイズ時間埋め込みと理論誘導型機械学習アプローチを定義し,アンサンブル予測を行う。 リプシッツ予測器を用いて、バッチ学習環境における固定時間および任意の時間PACを決定する。 次に、線形予測器とOrnstein-Uhlenbeckプロセスからシミュレーションしたデータセットを用いて学習手法の性能を検証した。
  論文  参考訳（メタデータ） (2023-01-02T16:11:05Z)
• UCSL : A Machine Learning Expectation-Maximization framework for Unsupervised Clustering driven by Supervised Learning [2.133032470368051]
  Subtype Discoveryは、データセットの解釈可能で一貫性のあるサブ部分を見つけることで構成される。 UCSL (Unsupervised Clustering driven by Supervised Learning) という汎用的な期待最大化アンサンブルフレームワークを提案する。 我々の手法は汎用的であり、任意のクラスタリング手法を統合することができ、バイナリ分類と回帰の両方によって駆動することができる。
  論文  参考訳（メタデータ） (2021-07-05T12:55:13Z)
• Discriminative, Generative and Self-Supervised Approaches for Target-Agnostic Learning [8.666667951130892]
  生成的および自己教師型学習モデルは、そのタスクでうまく機能することが示されている。 擬似相似理論の導出した定理は、結合分布モデルの推定に関係があることも示している。
  論文  参考訳（メタデータ） (2020-11-12T15:03:40Z)
• Network Classifiers Based on Social Learning [71.86764107527812]
  空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。 提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。 この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
  論文  参考訳（メタデータ） (2020-10-23T11:18:20Z)

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。