論文の概要: Robust forecast aggregation via additional queries

• arxiv url: http://arxiv.org/abs/2512.05271v1
• Date: Thu, 04 Dec 2025 21:50:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-13 22:40:56.82386
• Title: Robust forecast aggregation via additional queries
• Title（参考訳）: 追加クエリによるロバスト予測アグリゲーション
• Authors: Rafael Frongillo, Mary Monroe, Eric Neyman, Bo Waggoner,
• Abstract要約: より一般的なフレームワークを導入し、プリンシパルは構造化されたクエリを通して専門家から豊富な情報を引き出せるようにします。 我々のフレームワークは、専門家が彼らの根底にある信念を真実に報告することを保証すると同時に、これらのクエリを尋ねることの難しさよりも複雑さの概念を定義できるようにします。
• 参考スコア（独自算出の注目度）: 7.938872675793811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the problem of robust forecast aggregation: combining expert forecasts with provable accuracy guarantees compared to the best possible aggregation of the underlying information. Prior work shows strong impossibility results, e.g. that even under natural assumptions, no aggregation of the experts' individual forecasts can outperform simply following a random expert (Neyman and Roughgarden, 2022). In this paper, we introduce a more general framework that allows the principal to elicit richer information from experts through structured queries. Our framework ensures that experts will truthfully report their underlying beliefs, and also enables us to define notions of complexity over the difficulty of asking these queries. Under a general model of independent but overlapping expert signals, we show that optimal aggregation is achievable in the worst case with each complexity measure bounded above by the number of agents $n$. We further establish tight tradeoffs between accuracy and query complexity: aggregation error decreases linearly with the number of queries, and vanishes when the "order of reasoning" and number of agents relevant to a query is $ω(\sqrt{n})$. These results demonstrate that modest extensions to the space of expert queries dramatically strengthen the power of robust forecast aggregation. We therefore expect that our new query framework will open up a fruitful line of research in this area.
• Abstract（参考訳）: 本稿では,有能な予測アグリゲーションの問題点について検討する。基礎となる情報のアグリゲーションに比較して,専門家の予測と証明可能な精度保証を組み合わせる。 例えば、自然の仮定の下でも、専門家の個々の予測の集計は、ランダムな専門家に従うだけでは達成できない(Neyman and Roughgarden, 2022)。 本稿では、より一般的なフレームワークを導入し、プリンシパルが構造化されたクエリを通して専門家からより豊かな情報を引き出すことを可能にする。 我々のフレームワークは、専門家が彼らの根底にある信念を真実に報告することを保証すると同時に、これらのクエリを尋ねることの難しさよりも複雑さの概念を定義できるようにします。 独立だが重なり合う専門家信号の一般的なモデルの下では、各複雑性測度が$n$のエージェント数で制限されている場合、最悪の場合、最適なアグリゲーションが達成可能であることを示す。 集約エラーはクエリ数とともに線形に減少し、クエリに関連する"推論の順序"とエージェントの数が$ω(\sqrt{n})$であるときに消滅する。 これらの結果は、エキスパートクエリの空間への控えめな拡張が、ロバストな予測アグリゲーションの力を劇的に強化することを示している。 ですから私たちは,この新しいクエリフレームワークが,この分野で有意義な研究ラインを開くことを期待しています。

関連論文リスト

• Reasoning-enhanced Query Understanding through Decomposition and Interpretation [87.56450566014625]
  ReDIは、分解と解釈によるクエリ理解のための推論強化アプローチである。 我々は,大規模検索エンジンから実世界の複雑なクエリの大規模データセットをコンパイルした。 BRIGHT と BEIR の実験により、ReDI はスパースと密度の高い検索パラダイムの両方において、強いベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-09-08T10:58:42Z)
• The Computational Complexity of Circuit Discovery for Inner Interpretability [0.30723404270319693]
  我々は古典的およびパラメータ化された計算複雑性理論を用いて回路発見を研究する。 私たちの発見は、難しい複雑さの風景を明らかにします。 このフレームワークは、解釈可能性クエリの範囲と限界を理解するのに役立ちます。
  論文  参考訳（メタデータ） (2024-10-10T15:22:48Z)
• Groupwise Query Specialization and Quality-Aware Multi-Assignment for Transformer-based Visual Relationship Detection [21.352923995507595]
  最近、Transformerベースのアーキテクチャで視覚的関係検出(VRD)が大幅に進歩している。 トランスフォーマーをベースとしたVRDモデルのトレーニングにおいて,従来のラベル割り当てにおける2つの重要な制限を識別する。 これらの問題に対処するため,グループワイドクエリと品質を考慮したマルチアサイン(SpeaQ)が提案されている。
  論文  参考訳（メタデータ） (2024-03-26T13:56:34Z)
• Generalization Error Analysis for Sparse Mixture-of-Experts: A Preliminary Study [65.11303133775857]
  Mixture-of-Experts (MoE)計算アマルガメート予測 Sparse MoEは、限られた数、あるいは1つの専門家だけを選択的に扱うことで、経験的に保存され、時にはパフォーマンスが向上する一方で、オーバーヘッドを大幅に削減する。
  論文  参考訳（メタデータ） (2024-03-26T05:48:02Z)
• Robust Decision Aggregation with Adversarial Experts [4.021926055330022]
  我々は、真理と敵の双方の専門家が存在する場合に、堅牢な集約問題を考える。 我々は,最悪の情報構造と敵戦略の下で,後悔を最小化する予測を出力する最適なアグリゲータを見つけることを目的とする。
  論文  参考訳（メタデータ） (2024-03-13T03:47:08Z)
• Rethinking Complex Queries on Knowledge Graphs with Neural Link Predictors [58.340159346749964]
  本稿では,証明可能な推論能力を備えた複雑なクエリを用いたエンドツーエンド学習を支援するニューラルシンボリック手法を提案する。 これまでに検討されていない10種類の新しいクエリを含む新しいデータセットを開発する。 提案手法は,新しいデータセットにおいて先行手法を著しく上回り,既存データセットにおける先行手法を同時に上回っている。
  論文  参考訳（メタデータ） (2023-04-14T11:35:35Z)
• Are You Smarter Than a Random Expert? The Robust Aggregation of Substitutable Signals [14.03122229316614]
  本稿では,幅広い情報構造から専門家の知識を逆選択する文脈において,予測集約の研究を開始する。 投射的代替条件の下では、専門家の予測の平均値を取得することは、ランダムな専門家を信頼する戦略によって大幅に改善される。 本研究では, 専門家の予測を平均化し, 一定の要因によって前者から遠ざかることで平均を極端に推し進めることにより, 集積器の性能保証は, 事前の知識がなくても実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-11-04T20:50:30Z)

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。