Fugu-MT 論文翻訳(概要): Robust low-rank estimation with multiple binary responses using pairwise AUC loss

論文の概要: Robust low-rank estimation with multiple binary responses using pairwise AUC loss

arxiv url: http://arxiv.org/abs/2601.08618v1
Date: Tue, 13 Jan 2026 15:00:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-14 18:27:19.244636
Title: Robust low-rank estimation with multiple binary responses using pairwise AUC loss
Title（参考訳）: ペアワイズAUC損失を用いた複数バイナリ応答を用いたロバスト低ランク推定
Authors: The Tien Mai,
Abstract要約: 複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供する。既存のバイナリデータの方法は概ね可能性ベースであり、ポイントワイズ分類に重点を置いている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Multiple binary responses arise in many modern data-analytic problems. Although fitting separate logistic regressions for each response is computationally attractive, it ignores shared structure and can be statistically inefficient, especially in high-dimensional and class-imbalanced regimes. Low-rank models offer a natural way to encode latent dependence across tasks, but existing methods for binary data are largely likelihood-based and focus on pointwise classification rather than ranking performance. In this work, we propose a unified framework for learning with multiple binary responses that directly targets discrimination by minimizing a surrogate loss for the area under the ROC curve (AUC). The method aggregates pairwise AUC surrogate losses across responses while imposing a low-rank constraint on the coefficient matrix to exploit shared structure. We develop a scalable projected gradient descent algorithm based on truncated singular value decomposition. Exploiting the fact that the pairwise loss depends only on differences of linear predictors, we simplify computation and analysis. We establish non-asymptotic convergence guarantees, showing that under suitable regularity conditions, leading to linear convergence up to the minimax-optimal statistical precision. Extensive simulation studies demonstrate that the proposed method is robust in challenging settings such as label switching and data contamination and consistently outperforms likelihood-based approaches.
Abstract（参考訳）: 複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。各応答に個別のロジスティック回帰は計算学的に魅力的であるが、共有構造を無視し、特に高次元およびクラス不均衡な状態において統計的に非効率である。低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供するが、バイナリデータに対する既存の手法は概ね可能性ベースであり、ランキングのパフォーマンスよりもポイントワイドな分類に重点を置いている。本研究では, ROC曲線(AUC)に基づく領域の代理損失を最小限に抑えることにより, 識別を直接ターゲットとする複数のバイナリ応答を学習するための統一的なフレームワークを提案する。この方法は、係数行列に低ランク制約を課し、応答間の損失をペアワイズAUCに集約し、共有構造を利用する。我々は, 切り離された特異値の分解に基づくスケーラブルな勾配勾配降下アルゴリズムを開発した。一対の損失は線形予測器の違いにのみ依存するという事実を爆発させ、計算と解析を単純化する。非漸近収束保証(non-asymsymotic convergence guarantees)を確立し、適切な正則性条件下では、線形収束が最小値-最適統計精度までになることを示す。大規模なシミュレーション研究により,ラベル切替やデータ汚染といった難易度設定において,提案手法が頑健であり,確率に基づくアプローチを一貫して上回ることを示す。

関連論文リスト

Approximate Gradient Coding for Distributed Learning with Heterogeneous Stragglers [8.873449722727026]
分散学習におけるストラグラー問題を軽減するため,最適に構造化された勾配符号化方式を提案する。提案手法はストラグラーの影響を著しく低減し,既存の手法と比較して収束を加速する。
論文参考訳（メタデータ） (2025-10-26T05:32:18Z)
Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2025-10-24T16:11:10Z)
NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-06-11T06:59:17Z)
Learning a Class of Mixed Linear Regressions: Global Convergence under General Data Conditions [1.9295130374196499]
線形回帰モデル(MLR)は線形回帰モデル(英語版)の混合を利用して非線形関係における理論的および実践的重要性から注目されている。このようなシステムの学習問題に多大な努力が注がれているが、既存のほとんどの調査では、厳密な独立性と同一に分散された(d.d.)あるいは分散PE条件が課されている。
論文参考訳（メタデータ） (2025-03-24T09:57:39Z)
Understanding and Scaling Collaborative Filtering Optimization from the Perspective of Matrix Rank [39.857011461812014]
協調フィルタリング(CF)手法は現実世界のレコメンデーションシステムを支配している。本研究では,異なる学習戦略下での埋め込みテーブルの特性について検討する。ユーザの安定なランクとアイテムの埋め込みを規則化する,効率的なウォームスタート戦略を提案する。
論文参考訳（メタデータ） (2024-10-15T21:54:13Z)
Robust optimization for adversarial learning with finite sample complexity guarantees [1.8434042562191815]
本稿では,線形・非線形な分類問題に着目し,ロバストな分類器に対する新しい逆学習法を提案する。データ駆動型レンズの下ではロバスト性があり、線形および非線形の分類器の2進および複数クラスシナリオにおける有限標本複雑性境界を導出する。線形および非線形モデルに対する線形計画法 (LP) と2次コーン計画法 (SOCP) を用いて, 最悪のサロゲート損失を最小限に抑えるアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-22T13:49:53Z)
Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文参考訳（メタデータ） (2023-12-27T09:03:43Z)
An Accelerated Doubly Stochastic Gradient Method with Faster Explicit Model Identification [97.28167655721766]
本稿では、分散正規化損失最小化問題に対する2倍加速勾配降下法(ADSGD)を提案する。まず、ADSGDが線形収束率を達成でき、全体的な計算複雑性を低減できることを示す。
論文参考訳（メタデータ） (2022-08-11T22:27:22Z)
Gaining Outlier Resistance with Progressive Quantiles: Fast Algorithms and Theoretical Studies [1.6457778420360534]
任意の損失関数を強固化するために, 外部抵抗推定の枠組みを導入する。通常のデータセットでは、データ再見積の回数を大幅に削減できるような、開始点の要件を緩和する新しい手法が提案されている。得られた推定器は、必ずしも大域的でも大域的でもなくても、両方の低次元において最適性を楽しむことができる。
論文参考訳（メタデータ） (2021-12-15T20:35:21Z)
Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文参考訳（メタデータ） (2020-10-13T08:02:38Z)

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。