論文の概要: Discriminative Feature Feedback with General Teacher Classes

• arxiv url: http://arxiv.org/abs/2510.07245v1
• Date: Wed, 08 Oct 2025 17:14:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.655594
• Title: Discriminative Feature Feedback with General Teacher Classes
• Title（参考訳）: 一般教師の授業における識別的特徴フィードバック
• Authors: Omri Bar Oz, Tosca Lechner, Sivan Sabato,
• Abstract要約: 対話型学習プロトコルDFFの理論的特性について検討する。 DFF学習プロトコルは、識別的特徴説明という形でフィードバックを使用する。 実現可能かつ実現不可能な設定におけるDFFの最適誤り境界について検討する。
• 参考スコア（独自算出の注目度）: 11.434386262477972
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the theoretical properties of the interactive learning protocol Discriminative Feature Feedback (DFF) (Dasgupta et al., 2018). The DFF learning protocol uses feedback in the form of discriminative feature explanations. We provide the first systematic study of DFF in a general framework that is comparable to that of classical protocols such as supervised learning and online learning. We study the optimal mistake bound of DFF in the realizable and the non-realizable settings, and obtain novel structural results, as well as insights into the differences between Online Learning and settings with richer feedback such as DFF. We characterize the mistake bound in the realizable setting using a new notion of dimension. In the non-realizable setting, we provide a mistake upper bound and show that it cannot be improved in general. Our results show that unlike Online Learning, in DFF the realizable dimension is insufficient to characterize the optimal non-realizable mistake bound or the existence of no-regret algorithms.
• Abstract（参考訳）: 対話型学習プロトコルDFFの理論的特性について検討した(Dasgupta et al , 2018)。 DFF学習プロトコルは、識別的特徴説明という形でフィードバックを使用する。 我々は、教師付き学習やオンライン学習などの古典的プロトコルに匹敵する一般的な枠組みで、DFFを初めて体系的に研究する。 そこで本研究では, DFF と非実現可能設定における DFF の最適ミスバウンダリについて検討し, オンライン学習と DFF などのリッチなフィードバックによる設定の相違点を考察するとともに, 新たな構造的結果を得る。 我々は、新しい次元の概念を用いて、実現可能な設定において有界な誤りを特徴づける。 実現不可能な設定では、誤り上限を提供し、一般には改善できないことを示す。 オンライン学習とは異なり, DFFでは, 最適非実現不可能な誤り境界や非回帰アルゴリズムの存在を特徴付けるには, 実現可能な次元が不十分であることを示す。

関連論文リスト

• Efficient Imitation under Misspecification [17.706710359787056]
  誤特定下での模倣学習の問題点を考察する。 本稿では,計算効率のよい局所探索手順のみを実行する逆強化学習アルゴリズムを提案する。 我々は,不特定条件下では,学習者が実際に行うことができる良い政策によって到達可能な状態を含むために,局所的な探索を行う一連の状態を拡張することが有益であることを示す。
  論文  参考訳（メタデータ） (2025-03-17T13:35:55Z)
• DeepFRC: An End-to-End Deep Learning Model for Functional Registration and Classification [11.194964108429252]
  DeepFRCは、ワープ機能と統一アーキテクチャ内の分類を共同で学習するエンドツーエンドのディープラーニングフレームワークである。 このようなジョイントモデルに対する最初の理論的保証を提供し、最適なワープを近似する能力を証明する。 合成および実世界のデータセットの実験により、DeepFRCは、アライメント品質と分類精度の両方において、最先端の手法を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-01-30T03:35:03Z)
• Discounted Adaptive Online Learning: Towards Better Regularization [5.5899168074961265]
  敵対的非定常環境におけるオンライン学習について検討する。 適応的アルゴリズム(例:Optimal)を提案し,適応的でないベースラインを広く改良する。 また、(Gibbs and Candes, 2021)スタイルのオンライン共形予測問題についても検討する。
  論文  参考訳（メタデータ） (2024-02-05T04:29:39Z)
• GIF: A General Graph Unlearning Strategy via Influence Function [63.52038638220563]
  Graph Influence Function (GIF)は、削除されたデータにおける$epsilon$-massの摂動に応答してパラメータの変化を効率的に正確に推定できる、モデルに依存しない未学習の手法である。 我々は,4つの代表的GNNモデルと3つのベンチマークデータセットについて広範な実験を行い,未学習の有効性,モデルの有用性,未学習効率の観点からGIFの優位性を正当化する。
  論文  参考訳（メタデータ） (2023-04-06T03:02:54Z)
• Prototype-Anchored Learning for Learning with Imperfect Annotations [83.7763875464011]
  不完全な注釈付きデータセットからバイアスのない分類モデルを学ぶことは困難である。 本稿では,様々な学習に基づく分類手法に容易に組み込むことができるプロトタイプ・アンコレッド学習法を提案する。 我々は,PALがクラス不均衡学習および耐雑音学習に与える影響を,合成および実世界のデータセットに関する広範な実験により検証した。
  論文  参考訳（メタデータ） (2022-06-23T10:25:37Z)
• Agree to Disagree: Diversity through Disagreement for Better Transferability [54.308327969778155]
  本稿では,D-BAT(Diversity-By-dis-Agreement Training)を提案する。 我々は、D-BATが一般化された相違の概念から自然に現れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T12:03:02Z)
• Local Learning Matters: Rethinking Data Heterogeneity in Federated Learning [61.488646649045215]
  フェデレートラーニング(FL)は、クライアントのネットワーク(エッジデバイス)でプライバシ保護、分散ラーニングを行うための有望な戦略である。
  論文  参考訳（メタデータ） (2021-11-28T19:03:39Z)
• A Generalizable Model-and-Data Driven Approach for Open-Set RFF Authentication [74.63333951647581]
  高周波指紋(RFF)は、低コストな物理層認証を実現するための有望な解決策である。 RFF抽出と識別のために機械学習に基づく手法が提案されている。 生受信信号からRFFを抽出するエンド・ツー・エンドのディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-10T03:59:37Z)
• FedSemi: An Adaptive Federated Semi-Supervised Learning Framework [23.90642104477983]
  フェデレートラーニング(FL)は、データを共有し、プライバシーを漏らすことなく、機械学習モデルをコトレーニングするための効果的なテクニックとして登場した。 既存のFL法の多くは、教師付き設定に重点を置いて、ラベルなしデータの利用を無視している。 本稿では,FedSemiを提案する。FedSemiは,教師-学生モデルを用いてFLに整合性正則化を導入する新しい,適応的で汎用的なフレームワークである。
  論文  参考訳（メタデータ） (2020-12-06T15:46:04Z)
• Privileged Knowledge Distillation for Online Action Detection [114.5213840651675]
  リアルタイム予測タスクに対処するフレーム単位のラベル付けタスクとして,ビデオ中のオンラインアクション検出(OAD)を提案する。 本稿では,トレーニング段階においてのみ観測可能な未来のフレームを特権情報の一種とみなすオンライン行動検出のための,新たな学習支援型フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T08:52:15Z)
• Robust Learning from Discriminative Feature Feedback [32.18449686637963]
  より現実的で堅牢なバージョンのフレームワークを紹介します。 このような誤りを,逆向きとアリミ設定の両方でアルゴリズム的に処理する方法を示す。
  論文  参考訳（メタデータ） (2020-03-09T06:45:52Z)

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。