論文の概要: Randomized multi-class classification under system constraints: a unified approach via post-processing

• arxiv url: http://arxiv.org/abs/2512.14246v1
• Date: Tue, 16 Dec 2025 09:53:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.674278
• Title: Randomized multi-class classification under system constraints: a unified approach via post-processing
• Title（参考訳）: システム制約下におけるランダム化マルチクラス分類:ポストプロセッシングによる統一的アプローチ
• Authors: Evgenii Chzhen, Mohamed Hebiri, Gayane Taturyan,
• Abstract要約: ランダム化分類器上での線形汎関数として表現可能なシステムレベルの制約下でのマルチクラス分類の問題について検討する。 本稿では,与えられたベース分類器を調整し,再学習せずに一般制約を満たすポストプロセッシング手法を提案する。
• 参考スコア（独自算出の注目度）: 8.354034992258482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the problem of multi-class classification under system-level constraints expressible as linear functionals over randomized classifiers. We propose a post-processing approach that adjusts a given base classifier to satisfy general constraints without retraining. Our method formulates the problem as a linearly constrained stochastic program over randomized classifiers, and leverages entropic regularization and dual optimization techniques to construct a feasible solution. We provide finite-sample guarantees for the risk and constraint satisfaction for the final output of our algorithm under minimal assumptions. The framework accommodates a broad class of constraints, including fairness, abstention, and churn requirements.
• Abstract（参考訳）: ランダム化分類器上での線形汎関数として表現可能なシステムレベルの制約下でのマルチクラス分類の問題について検討する。 本稿では,与えられたベース分類器を調整し,再学習せずに一般制約を満たすポストプロセッシング手法を提案する。 本手法は, ランダム化分類器上での線形制約付き確率的プログラムとして問題を定式化し, エントロピック正規化と双対最適化手法を利用して実現可能な解を構築する。 最小の仮定でアルゴリズムの最終出力に対するリスクと制約満足度を有限サンプルで保証する。 このフレームワークは、公正性、棄権、厳しい要求など、幅広い制約のクラスに対応している。

関連論文リスト

• Online Multi-Class Selection with Group Fairness Guarantee [3.8723467409682617]
  グループフェアネスを保証したオンラインマルチクラス選択問題について検討し、限られたリソースを逐次到着エージェントに割り当てる。 積分アルゴリズムが任意の分数解と同じ性能を確実に達成する新しい無損失丸め方式を導入する。 また、信頼できない機械学習予測を組み込んで、公平性と効率のバランスを良くする学習強化型を提案する。
  論文  参考訳（メタデータ） (2025-10-23T23:59:49Z)
• Optimization over Sparse Support-Preserving Sets: Two-Step Projection with Global Optimality Guarantees [34.164821598251315]
  スパース最適化では、$ell_$ pseudo-normを使ってハード制約を強制することは、制御されたスパーシリティのような利点を提供する。 多くの現実世界のアプリケーションは、余分な制約だけでなく、余分な制約も要求します。 本稿では,これらの制約をカスタマイズした2ステップのプロジェクション演算子を備えた,保存困難な反復アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-10T08:27:01Z)
• Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
  本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。 既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。 これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:48Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
  構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。 私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。 提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
  論文  参考訳（メタデータ） (2020-07-07T21:26:35Z)
• An Integer Linear Programming Framework for Mining Constraints from Data [81.60135973848125]
  データから制約をマイニングするための一般的なフレームワークを提案する。 特に、構造化された出力予測の推論を整数線形プログラミング(ILP)問題とみなす。 提案手法は,9×9のスドクパズルの解法を学習し,基礎となるルールを提供することなく,例からツリー問題を最小限に分散させることが可能であることを示す。
  論文  参考訳（メタデータ） (2020-06-18T20:09:53Z)
• Submodular Bandit Problem Under Multiple Constraints [8.100450025624443]
  我々は、$l$knapsacksと$k$-system制約の交わりの下で、部分モジュラーバンディット問題を導入する。 この問題を解決するために,標準あるいは修正された高信頼境界に適応的に焦点をあてる非グレーディアルゴリズムを提案する。 近似比が高速アルゴリズムのそれと一致するような近似後悔の確率の高い上限を提供する。
  論文  参考訳（メタデータ） (2020-06-01T01:28:44Z)

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。