論文の概要: PAC-Bayesian Bounds on Constrained f-Entropic Risk Measures

• arxiv url: http://arxiv.org/abs/2510.11169v1
• Date: Mon, 13 Oct 2025 09:02:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.281821
• Title: PAC-Bayesian Bounds on Constrained f-Entropic Risk Measures
• Title（参考訳）: 拘束されたf-エントロピーリスク対策におけるPAC-ベイズ境界
• Authors: Hind Atbir, Farah Cherfaoui, Guillaume Metzler, Emilie Morvant, Paul Viallard,
• Abstract要約: 本稿では,f-発散による分布シフトとサブグループ不均衡をより細かく制御できる制約付きf-エントロピーリスク対策を導入する。 古典的および分解されたPAC-ベイジアン一般化境界をこのリスクの族に導出する。 我々は,自己バウンディングアルゴリズムを設計し,自己バウンダリを直接最小化し,サブグループレベルで保証されたモデルを生成する。
• 参考スコア（独自算出の注目度）: 3.8806557528413292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PAC generalization bounds on the risk, when expressed in terms of the expected loss, are often insufficient to capture imbalances between subgroups in the data. To overcome this limitation, we introduce a new family of risk measures, called constrained f-entropic risk measures, which enable finer control over distributional shifts and subgroup imbalances via f-divergences, and include the Conditional Value at Risk (CVaR), a well-known risk measure. We derive both classical and disintegrated PAC-Bayesian generalization bounds for this family of risks, providing the first disintegratedPAC-Bayesian guarantees beyond standard risks. Building on this theory, we design a self-bounding algorithm that minimizes our bounds directly, yielding models with guarantees at the subgroup level. Finally, we empirically demonstrate the usefulness of our approach.
• Abstract（参考訳）: PAC一般化は、期待損失の観点から表されるリスクに縛られ、しばしばデータ内のサブグループ間の不均衡を捉えるのに不十分である。 この制限を克服するために、我々は、f-分節による分散シフトやサブグループ不均衡のより細かい制御を可能にする制約付きf-エントロピーリスク対策と呼ばれる新しいリスク対策のファミリーを導入し、よく知られたリスク対策である条件付リスク・アット・リスク(CVaR)を含める。 我々は、古典的および分解されたPAC-ベイジアン一般化境界をこの種類のリスクに対して導出し、標準リスクを超える最初の分解されたPAC-ベイジアン保証を提供する。 この理論に基づいて、我々は境界を直接最小化し、部分群レベルで保証されたモデルを生成する自己有界アルゴリズムを設計する。 最後に、我々のアプローチの有用性を実証的に示す。

関連論文リスト

• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)
• Strong Duality Relations in Nonconvex Risk-Constrained Learning [0.0]
  一般無限次元バナッハ空間に対する J. J. Uhl の凸性は A. A. Lynovs の拡張である。 我々は,制約付き分類と回帰を統一レンズで処理できることを示し,現在の文献で実施されている一定の制約的仮定は,新たな最先端技術であることを示した。
  論文  参考訳（メタデータ） (2023-12-02T11:21:00Z)
• Non-Asymptotic Bounds for Adversarial Excess Risk under Misspecified Models [9.65010022854885]
  本研究では,ある平滑な条件下での分布的敵攻撃によって引き起こされるリスクに,敵対的リスクが等価であることを示す。 対向推定器の一般化性能を評価するため, 対向過大リスクについて検討した。
  論文  参考訳（メタデータ） (2023-09-02T00:51:19Z)
• Domain Generalization without Excess Empirical Risk [83.26052467843725]
  一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。 我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。 我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
  論文  参考訳（メタデータ） (2023-08-30T08:46:46Z)
• Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
  ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。 ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
  論文  参考訳（メタデータ） (2023-08-01T02:07:47Z)
• Risk-Averse Reinforcement Learning via Dynamic Time-Consistent Risk Measures [10.221369785560785]
  本稿では,マルコフ決定過程(MDP)における報酬列の動的リスクを最大化する問題について考察する。 予測と条件付きリスクリスク(CVaR)の凸結合を特別な一段階の条件付きリスク尺度として用いて、我々は、リスク回避型MDPを、強化されたアクション空間を持つリスク中立型として再構成し、即時報酬の操作を行う。 本研究は,リスク・アバース・セッティングが分散を低減し,その結果のロバスト性を高めることを示唆するものである。
  論文  参考訳（メタデータ） (2023-01-14T21:43:18Z)
• On the Importance of Gradient Norm in PAC-Bayesian Bounds [92.82627080794491]
  対数ソボレフ不等式の縮約性を利用する新しい一般化法を提案する。 我々は、この新たな損失段階的ノルム項が異なるニューラルネットワークに与える影響を実証的に分析する。
  論文  参考訳（メタデータ） (2022-10-12T12:49:20Z)
• Risk Aware Belief-dependent Constrained POMDP Planning [9.061408029414453]
  リスク認識は、オンライン操作エージェントの基本である。 既存の制約付きPOMDPアルゴリズムは一般に離散状態と観測空間のために設計されている。 本稿では,リスク・逆信念に依存した制約付きPMDPの新たな定式化について述べる。
  論文  参考訳（メタデータ） (2022-09-06T17:48:13Z)
• Supervised Learning with General Risk Functionals [28.918233583859134]
  標準一様収束結果は、予想損失の予想損失の一般化ギャップを仮説クラスに束縛する。 我々は、損失分布のCDFを推定するための最初の一様収束結果を確立し、すべてのH"古いリスク関数と全ての仮説の両方に同時に保持する保証を与える。
  論文  参考訳（メタデータ） (2022-06-27T22:11:05Z)
• Risk-Constrained Thompson Sampling for CVaR Bandits [82.47796318548306]
  CVaR(Conditional Value at Risk)として知られる量的ファイナンスにおける一般的なリスク尺度について考察する。 本稿では,トンプソンサンプリングに基づくCVaR-TSアルゴリズムの性能について検討する。
  論文  参考訳（メタデータ） (2020-11-16T15:53:22Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)

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。