論文の概要: A Framework for Bounding Deterministic Risk with PAC-Bayes: Applications to Majority Votes

• arxiv url: http://arxiv.org/abs/2510.25569v1
• Date: Wed, 29 Oct 2025 14:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.706089
• Title: A Framework for Bounding Deterministic Risk with PAC-Bayes: Applications to Majority Votes
• Title（参考訳）: PAC-Bayesによる決定論的リスクのバウンダリングフレームワーク - 多数決投票への適用-
• Authors: Benjamin Leblanc, Pascal Germain,
• Abstract要約: PAC-Bayes は、非可算仮説空間における一般化保証を得るための一般的なフレームワークである。 本研究では,PAC-ベイジアン保証から単一仮説の保持する保証を抽出する統一的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 4.664367264604233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PAC-Bayes is a popular and efficient framework for obtaining generalization guarantees in situations involving uncountable hypothesis spaces. Unfortunately, in its classical formulation, it only provides guarantees on the expected risk of a randomly sampled hypothesis. This requires stochastic predictions at test time, making PAC-Bayes unusable in many practical situations where a single deterministic hypothesis must be deployed. We propose a unified framework to extract guarantees holding for a single hypothesis from stochastic PAC-Bayesian guarantees. We present a general oracle bound and derive from it a numerical bound and a specialization to majority vote. We empirically show that our approach consistently outperforms popular baselines (by up to a factor of 2) when it comes to generalization bounds on deterministic classifiers.
• Abstract（参考訳）: PAC-Bayes は、非可算な仮説空間を含む状況において一般化保証を得るための一般的かつ効率的なフレームワークである。 残念なことに、古典的な定式化では、ランダムにサンプリングされた仮説の予想されるリスクについてのみ保証する。 これはテスト時に確率的予測を必要とするため、PAC-Bayesは単一の決定論的仮説をデプロイしなければならない多くの現実的な状況では利用できない。 本研究では,確率的PAC-ベイジアン保証から単一仮説の保留条件を抽出する統一的枠組みを提案する。 我々は、一般のオラクル境界を示し、それに由来する数値境界と多数決のための特殊化を提示する。 決定論的分類器の一般化バウンダリに関して、我々のアプローチは人気ベースライン(最大2倍)を一貫して上回っていることを実証的に示している。

関連論文リスト

• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Optimal Conformal Prediction under Epistemic Uncertainty [61.46247583794497]
  コンフォーマル予測(CP)は不確実性を表すための一般的なフレームワークである。 条件付きカバレッジを保証する最小の予測セットを生成するBernoulli予測セット(BPS)を導入する。 1次予測を与えられた場合、BPSはよく知られた適応予測セット(APS)に還元する。
  論文  参考訳（メタデータ） (2025-05-25T08:32:44Z)
• How good is PAC-Bayes at explaining generalisation? [13.084336891814054]
  我々はPACベイズが有意義な一般化を保証するために必要な条件について議論する。 本分析により, 最適一般化保証は, 先行分布によるリスク分布のみに依存することが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-11T09:51:21Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
  我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。 我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。 実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
  論文  参考訳（メタデータ） (2024-04-04T11:32:03Z)
• Conformal Off-Policy Prediction in Contextual Bandits [54.67508891852636]
  コンフォーマルなオフ政治予測は、新しい目標ポリシーの下で、結果に対する信頼できる予測間隔を出力することができる。 理論上の有限サンプル保証は、標準的な文脈的バンディットの設定を超える追加の仮定をすることなく提供する。
  論文  参考訳（メタデータ） (2022-06-09T10:39:33Z)
• Efficient Conformal Prediction via Cascaded Inference with Expanded Admission [43.596058175459746]
  共形予測(CP)のための新しい手法を提案する。 我々は、単一の予測の代わりに、予測候補のセットを特定することを目指している。 この集合は、高い確率で正しい答えを含むことが保証される。
  論文  参考訳（メタデータ） (2020-07-06T23:13:07Z)
• PAC-Bayes Analysis Beyond the Usual Bounds [16.76187007910588]
  本研究では,学習者が学習例の有限セットを観察する学習モデルに焦点を当てる。 学習したデータ依存分布はランダム化予測に使用される。
  論文  参考訳（メタデータ） (2020-06-23T14:30:24Z)

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。