論文の概要: Learning with Statistical Equality Constraints

• arxiv url: http://arxiv.org/abs/2511.14320v1
• Date: Tue, 18 Nov 2025 10:24:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.051163
• Title: Learning with Statistical Equality Constraints
• Title（参考訳）: 統計的平等制約による学習
• Authors: Aneesh Barthakur, Luiz F. O. Chamon,
• Abstract要約: 機械学習アプリケーションは、正確性を超えた要求の集合に直面する。 この課題に対処する一般的なアプローチは、要件違反の重み付けされた組み合わせをトレーニング目標にまとめることである。 本研究では,制約のない経験的学習問題の列を解くための実用的なアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 9.558730089875946
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As machine learning applications grow increasingly ubiquitous and complex, they face an increasing set of requirements beyond accuracy. The prevalent approach to handle this challenge is to aggregate a weighted combination of requirement violation penalties into the training objective. To be effective, this approach requires careful tuning of these hyperparameters (weights), involving trial-and-error and cross-validation, which becomes ineffective even for a moderate number of requirements. These issues are exacerbated when the requirements involve parities or equalities, as is the case in fairness and boundary value problems. An alternative technique uses constrained optimization to formulate these learning problems. Yet, existing approximation and generalization guarantees do not apply to problems involving equality constraints. In this work, we derive a generalization theory for equality-constrained statistical learning problems, showing that their solutions can be approximated using samples and rich parametrizations. Using these results, we propose a practical algorithm based on solving a sequence of unconstrained, empirical learning problems. We showcase its effectiveness and the new formulations enabled by equality constraints in fair learning, interpolating classifiers, and boundary value problems.
• Abstract（参考訳）: 機械学習アプリケーションがますますユビキタスになり、複雑化するにつれて、それらは精度を超えた要求の集合に直面する。 この課題に対処する一般的なアプローチは、要件違反の重み付けされた組み合わせをトレーニング目標にまとめることである。 このアプローチを効果的にするためには、トライアル・アンド・エラーとクロスバリデーションを含むこれらのハイパーパラメータ(ウェイト)を慎重にチューニングする必要がある。 これらの問題は、公平性や境界値の問題と同様に、要件が平等や平等を含む場合にさらに悪化する。 別の手法では、制約付き最適化を用いてこれらの学習問題を定式化する。 しかし、既存の近似と一般化の保証は、等式制約を含む問題には適用されない。 本研究では、等式制約付き統計学習問題に対する一般化理論を導出し、それらの解をサンプルと豊富なパラメトリゼーションを用いて近似できることを示す。 これらの結果を用いて,制約のない経験的学習問題の系列を解くための実用的なアルゴリズムを提案する。 フェアラーニング,補間型分類器,境界値問題において,その有効性と,等式制約によって実現された新しい定式化について述べる。

関連論文リスト

• Position: Adopt Constraints Over Penalties in Deep Learning [18.228634659355958]
  ペナルティ係数が存在しない可能性があるため、このアプローチは基本的に不適当である、と我々は主張する。 これらの係数をチューニングするには、コストのかかる試行錯誤が必要で、かなりの時間と計算オーバーヘッドが発生する。 我々は、調整された制約付き最適化手法のより広範な採用を提唱する。
  論文  参考訳（メタデータ） (2025-05-27T02:09:17Z)
• Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
  機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。 これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。 この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
  論文  参考訳（メタデータ） (2024-03-18T14:55:45Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Constrained Learning with Non-Convex Losses [119.8736858597118]
  学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
  論文  参考訳（メタデータ） (2021-03-08T23:10:33Z)
• Probably Approximately Correct Constrained Learning [135.48447120228658]
  我々は、ほぼ正しい学習フレームワーク(PAC)に基づく一般化理論を開発する。 PAC学習可能なクラスも制約のある学習者であるという意味では,学習者の導入は学習問題を難しくするものではないことを示す。 このソリューションの特性を分析し,制約付き学習が公平でロバストな分類における問題にどのように対処できるかを説明する。
  論文  参考訳（メタデータ） (2020-06-09T19:59:29Z)
• The empirical duality gap of constrained statistical learning [115.23598260228587]
  本研究では,制約付き統計学習問題(制約なし版)について,ほぼ全ての現代情報処理のコアとなる研究を行った。 本稿では, 有限次元パラメータ化, サンプル平均, 双対性理論を利用して, 無限次元, 未知分布, 制約を克服する制約付き統計問題に取り組むことを提案する。 フェアラーニングアプリケーションにおいて,この制約付き定式化の有効性と有用性を示す。
  論文  参考訳（メタデータ） (2020-02-12T19:12:29Z)

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。