論文の概要: PAC Learnability in the Presence of Performativity

• arxiv url: http://arxiv.org/abs/2510.08335v1
• Date: Thu, 09 Oct 2025 15:22:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.160322
• Title: PAC Learnability in the Presence of Performativity
• Title（参考訳）: パフォーマティビティ存在下でのPAC学習可能性
• Authors: Ivan Kirev, Lyuben Baltadzhiev, Nikola Konstantinov,
• Abstract要約: 本研究では,従来のPAC学習フレームワークのレンズを用いて,性能的二項分類問題を学習可能かどうかについて検討する。 本研究では,本来の分布から得られるデータと,その型による性能的リスク関数を構築した。 この性能リスクの概念を最小化することで、標準的な二項分類設定における任意のPAC学習可能な仮説空間がPAC学習可能なままであることを示すことができる。
• 参考スコア（独自算出の注目度）: 5.996298190476913
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Following the wide-spread adoption of machine learning models in real-world applications, the phenomenon of performativity, i.e. model-dependent shifts in the test distribution, becomes increasingly prevalent. Unfortunately, since models are usually trained solely based on samples from the original (unshifted) distribution, this performative shift may lead to decreased test-time performance. In this paper, we study the question of whether and when performative binary classification problems are learnable, via the lens of the classic PAC (Probably Approximately Correct) learning framework. We motivate several performative scenarios, accounting in particular for linear shifts in the label distribution, as well as for more general changes in both the labels and the features. We construct a performative empirical risk function, which depends only on data from the original distribution and on the type performative effect, and is yet an unbiased estimate of the true risk of a classifier on the shifted distribution. Minimizing this notion of performative risk allows us to show that any PAC-learnable hypothesis space in the standard binary classification setting remains PAC-learnable for the considered performative scenarios. We also conduct an extensive experimental evaluation of our performative risk minimization method and showcase benefits on synthetic and real data.
• Abstract（参考訳）: 実世界の応用において機械学習モデルが広く採用されるようになると、テスト分布におけるモデル依存的なシフトという、実行可能性の現象がますます広まりつつある。 残念なことに、モデルは通常、元の(シフトしない)分布のサンプルに基づいてのみトレーニングされるため、このパフォーマンスシフトはテスト時のパフォーマンスを低下させる可能性がある。 本稿では,従来のPAC学習フレームワークのレンズを用いて,実行時バイナリ分類の問題が学習可能かどうかについて検討する。 ラベル分布の線形シフトや,ラベルや特徴のより一般的な変更など,いくつかのパフォーマンスシナリオを動機付けています。 我々は、元の分布からのデータとタイプの性能効果にのみ依存する性能的経験的リスク関数を構築し、シフトした分布に対する分類器の真リスクの偏りのない推定値である。 この性能リスクの概念を最小化することで、標準二項分類設定における任意のPAC学習可能な仮説空間が、検討された性能シナリオに対してPAC学習可能であることを示すことができる。 また,パフォーマンスリスク最小化手法の広範な実験的評価を行い,合成データおよび実データに対するメリットを示す。

関連論文リスト

• Proper Learnability and the Role of Unlabeled Data [10.168670899305232]
  適切な学習可能性が論理的に決定不可能な問題、すなわちZFC公理に依存しない問題が存在することを示す。 そこで本研究では,PACモデルにおいて,適切な学習可能性の特性を損なう不確実性に関するすべての結果を示す。
  論文  参考訳（メタデータ） (2025-02-14T18:41:53Z)
• Optimal Classification under Performative Distribution Shift [13.508249764979075]
  本稿では,動作効果をプッシュフォワード尺度としてモデル化した新しい視点を提案する。 我々は、新しい仮定のセットの下で、パフォーマンスリスクの凸性を証明する。 また, 性能リスクの最小化を min-max 変動問題として再定義することにより, 逆向きの頑健な分類との関係を確立する。
  論文  参考訳（メタデータ） (2024-11-04T12:20:13Z)
• 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)
• Class Distribution Shifts in Zero-Shot Learning: Learning Robust Representations [3.8980564330208662]
  本研究では,前もって変化の原因となる属性が不明であると仮定したモデルを提案し,解析する。 提案アルゴリズムは,実世界のデータセット上でのシミュレーションと実験の両方において,多様なクラス分布への一般化を改善する。
  論文  参考訳（メタデータ） (2023-11-30T14:14:31Z)
• Effect-Invariant Mechanisms for Policy Generalization [3.701112941066256]
  不変条件分布を利用して、目に見えない環境をより一般化するモデルを学ぶことが提案されている。 効果不変性(英語版)と呼ばれる完全な不変性の緩和を導入し、ゼロショットポリシーの一般化には適切な仮定の下で十分であることを示す。 シミュレーションデータと移動体保健介入データセットを用いて実験結果を提示し,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-06-19T14:50:24Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)

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。