論文の概要: Statistical Insight into Meta-Learning via Predictor Subspace Characterization and Quantification of Task Diversity

• arxiv url: http://arxiv.org/abs/2509.18349v1
• Date: Mon, 22 Sep 2025 19:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.542921
• Title: Statistical Insight into Meta-Learning via Predictor Subspace Characterization and Quantification of Task Diversity
• Title（参考訳）: 予測部分空間によるメタラーニングの統計的洞察とタスク多様性の定量化
• Authors: Saptati Datta, Nicolas W. Hengartner, Yulia Pimonova, Natalie E. Klein, Nicholas Lubbers,
• Abstract要約: 本稿では,タスクの多様性の予測と定量化によるメタラーニングの枠組みを提案する。 メタラーニングにおける所望の予測精度を達成するためのシミュレーションベースおよび理論的証拠は、共有部分空間に整合した予測値の比率に依存することを示す。
• 参考スコア（独自算出の注目度）: 1.7942265700058986
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meta-learning has emerged as a powerful paradigm for leveraging information across related tasks to improve predictive performance on new tasks. In this paper, we propose a statistical framework for analyzing meta-learning through the lens of predictor subspace characterization and quantification of task diversity. Specifically, we model the shared structure across tasks using a latent subspace and introduce a measure of diversity that captures heterogeneity across task-specific predictors. We provide both simulation-based and theoretical evidence indicating that achieving the desired prediction accuracy in meta-learning depends on the proportion of predictor variance aligned with the shared subspace, as well as on the accuracy of subspace estimation.
• Abstract（参考訳）: メタラーニングは、関連するタスクにまたがる情報を活用して、新しいタスクの予測パフォーマンスを改善するための強力なパラダイムとして登場した。 本稿では,タスクの多様性の予測と定量化によるメタラーニングの統計的枠組みを提案する。 具体的には、潜在部分空間を用いてタスク間の共有構造をモデル化し、タスク固有の予測子間での不均一性を捉える多様性の尺度を導入する。 メタラーニングにおける所望の予測精度を達成するためのシミュレーションベースおよび理論的な証拠は、共有部分空間に整合した予測誤差の比率と、部分空間推定の精度に依存することを示す。

関連論文リスト

• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• Optimizing Multi-Task Learning for Accurate Spacecraft Pose Estimation [0.0]
  本稿では,単眼画像を用いた衛星ポーズ推定のためのマルチタスク学習フレームワークにおけるタスクの影響について検討する。 直接ポーズ推定やキーポイント予測,オブジェクトの局所化,セグメンテーションといったタスクをひとつのネットワークに統合することにより,タスク間の相互影響を評価することを目的とする。
  論文  参考訳（メタデータ） (2024-10-16T15:44:15Z)
• On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
  教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。 トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
  論文  参考訳（メタデータ） (2023-05-20T16:23:50Z)
• Probabilistic task modelling for meta-learning [44.072592379328036]
  本稿ではメタラーニングに使用されるタスクの集合に対する生成確率モデルを提案する。 提案モデルは変分オートエンコーディングと潜時ディリクレアロケーションを組み合わせて,各タスクを埋め込み空間におけるガウス分布の混合としてモデル化する。
  論文  参考訳（メタデータ） (2021-06-09T04:34:12Z)
• Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
  現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。 タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。 実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T20:15:34Z)
• An Information-Theoretic Analysis of the Impact of Task Similarity on Meta-Learning [44.320945743871285]
  メタ一般化ギャップの平均絶対値に対する新しい情報理論的境界を提示する。 私たちの境界は、タスク関連性、タスクの数、およびタスクごとのデータサンプルの数がメタ一般化ギャップに与える影響を明示的に捉えます。
  論文  参考訳（メタデータ） (2021-01-21T01:38:16Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。