論文の概要: Sample-Efficient Omniprediction for Proper Losses

• arxiv url: http://arxiv.org/abs/2510.12769v1
• Date: Tue, 14 Oct 2025 17:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.428753
• Title: Sample-Efficient Omniprediction for Proper Losses
• Title（参考訳）: 適切な損失に対するサンプル効率の良いOmniprection
• Authors: Isaac Gibbs, Ryan J. Tibshirani,
• Abstract要約: 本稿では,下流の利用者が行動を伝える際に,正確な判断につながる確率的予測を構築することの問題点を考察する。 一つの意思決定者にとって、最適な予測器を設計することは、その個人の負の効用に対応する適切な損失関数を最小化することと等価である。 複数の意思決定者にとって、我々の問題は、複数の損失を同時に最小化する単一の予測器を設計することを目的としている全方位の変種と見なすことができる。
• 参考スコア（独自算出の注目度）: 7.615840544913577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of constructing probabilistic predictions that lead to accurate decisions when employed by downstream users to inform actions. For a single decision maker, designing an optimal predictor is equivalent to minimizing a proper loss function corresponding to the negative utility of that individual. For multiple decision makers, our problem can be viewed as a variant of omniprediction in which the goal is to design a single predictor that simultaneously minimizes multiple losses. Existing algorithms for achieving omniprediction broadly fall into two categories: 1) boosting methods that optimize other auxiliary targets such as multicalibration and obtain omniprediction as a corollary, and 2) adversarial two-player game based approaches that estimate and respond to the ``worst-case" loss in an online fashion. We give lower bounds demonstrating that multicalibration is a strictly more difficult problem than omniprediction and thus the former approach must incur suboptimal sample complexity. For the latter approach, we discuss how these ideas can be used to obtain a sample-efficient algorithm through an online-to-batch conversion. This conversion has the downside of returning a complex, randomized predictor. We improve on this method by designing a more direct, unrandomized algorithm that exploits structural elements of the set of proper losses.
• Abstract（参考訳）: 本稿では,下流の利用者が行動を伝える際に,正確な判断につながる確率的予測を構築することの問題点を考察する。 一つの意思決定者にとって、最適な予測器を設計することは、その個人の負の効用に対応する適切な損失関数を最小化することと等価である。 複数の意思決定者にとって、我々の問題は、複数の損失を同時に最小化する単一の予測器を設計することを目的としている全方位の変種と見なすことができる。 半減期を達成するための既存のアルゴリズムは、大きく2つのカテゴリに分類される。 1)マルチキャリブレーションなどの他の補助的目標を最適化し、総括として全方位を求める方法の強化及び 2) 対戦型2人プレイヤゲームによるオンライン方式の「ワーストケース」の損失を推定・応答するアプローチについて検討した。 我々は、多重校正が全方位法よりも厳密に難しい問題であることを示し、従って、前者のアプローチは準最適サンプルの複雑さを生じさせる必要があることを示す。 後者のアプローチでは,オンライン・バッチ変換を用いて,これらのアイデアを用いてサンプル効率のよいアルゴリズムを得る方法について論じる。 この変換は複雑なランダム化予測器を返すという欠点がある。 我々は、適切な損失の集合の構造的要素を利用する、より直接的で非ランダムなアルゴリズムを設計することで、この方法を改善する。

関連論文リスト

• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Simple and Provable Scaling Laws for the Test-Time Compute of Large Language Models [70.07661254213181]
  本研究では,大規模言語モデルのテスト時間計算において,証明可能なスケーリング法則を享受する2つのアルゴリズムを提案する。 1つは2段階ノックアウト方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。 もう1つは2段階のリーグ方式のアルゴリズムで、各候補は複数の相手に対して平均勝利率で評価される。
  論文  参考訳（メタデータ） (2024-11-29T05:29:47Z)
• Decision-focused predictions via pessimistic bilevel optimization: complexity and algorithms [0.7499722271664147]
  我々は最近の意思決定中心の予測、すなわち予測モデルの構築への取り組みに貢献する。 NP のメンバシップを含む問題の計算結果を示す。 次に,経験的トラクタビリティを実現するために,様々な計算手法を定式化する。
  論文  参考訳（メタデータ） (2023-12-29T15:05:00Z)
• High-Dimensional Prediction for Sequential Decision Making [9.684829814477526]
  本研究では,任意の条件付けイベントの収集対象である逆選択された高次元状態の予測を行う問題について検討する。 この問題を解決するための効率的なアルゴリズムと、適切な条件付けイベントを選択することに起因する多くのアプリケーションを提供します。
  論文  参考訳（メタデータ） (2023-10-26T17:59:32Z)
• Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
  ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。 トラクタブル回路において,これを効率的に計算する方法を示す。 我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
  論文  参考訳（メタデータ） (2023-02-28T00:04:22Z)
• A Note on Task-Aware Loss via Reweighing Prediction Loss by Decision-Regret [11.57423546614283]
  我々は予測最適化の意思決定対応版を提案する。 コストの(非重みのない)パイロット推定器が犯した決定の後悔による予測誤差を再検討する。 このアプローチは"予測を最適化する"フレームワークよりも改善する可能性があることを示す。
  論文  参考訳（メタデータ） (2022-11-09T18:59:35Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Divide and Learn: A Divide and Conquer Approach for Predict+Optimize [50.03608569227359]
  予測+最適化問題は、予測係数を使用する最適化プロブレムと、確率係数の機械学習を組み合わせる。 本稿では, 予測係数を1次線形関数として, 最適化問題の損失を直接表現する方法を示す。 本稿では,この制約を伴わずに最適化問題に対処し,最適化損失を用いてその係数を予測する新しい分割アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-04T00:26:56Z)

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。