論文の概要: Learning Conditional Averages

• arxiv url: http://arxiv.org/abs/2602.11920v1
• Date: Thu, 12 Feb 2026 13:20:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.829098
• Title: Learning Conditional Averages
• Title（参考訳）: 条件平均値の学習
• Authors: Marco Bressan, Nataly Brukhim, Nicolo Cesa-Bianchi, Emmanuel Esposito, Yishay Mansour, Shay Moran, Maximilian Thiessen,
• Abstract要約: 本稿では,PACフレームワークにおける条件平均学習の問題を紹介する。 ターゲットのコンセプトそのものを学ぶのではなく、各インスタンスの平均ラベルをその周辺で予測することが目標だ。 より一般的には、PAC学習をいくつかのドメインで発生する学習タスクをキャプチャする設定に拡張する。
• 参考スコア（独自算出の注目度）: 52.361762722359366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the problem of learning conditional averages in the PAC framework. The learner receives a sample labeled by an unknown target concept from a known concept class, as in standard PAC learning. However, instead of learning the target concept itself, the goal is to predict, for each instance, the average label over its neighborhood -- an arbitrary subset of points that contains the instance. In the degenerate case where all neighborhoods are singletons, the problem reduces exactly to classic PAC learning. More generally, it extends PAC learning to a setting that captures learning tasks arising in several domains, including explainability, fairness, and recommendation systems. Our main contribution is a complete characterization of when conditional averages are learnable, together with sample complexity bounds that are tight up to logarithmic factors. The characterization hinges on the joint finiteness of two novel combinatorial parameters, which depend on both the concept class and the neighborhood system, and are closely related to the independence number of the associated neighborhood graph.
• Abstract（参考訳）: 本稿では,PACフレームワークにおける条件平均学習の問題を紹介する。 学習者は、標準的なPAC学習のように、既知の概念クラスから未知の目標概念によってラベル付けされたサンプルを受信する。 しかしながら、ターゲットの概念自体を学習する代わりに、それぞれのインスタンスに対して、その近傍の平均ラベル -- インスタンスを含む任意のポイントのサブセット -- を予測することが目標だ。 全ての近傍がシングルトンである退化の場合、問題は古典的なPAC学習に正確に還元される。 より一般的には、PAC学習を拡張して、説明可能性、公正性、レコメンデーションシステムなど、いくつかの領域で発生する学習タスクをキャプチャする。 我々の主な貢献は、条件平均がいつ学習できるかの完全な特徴と、対数的要因に厳密なサンプル複雑性境界である。 特徴付けは、概念クラスと近傍システムの両方に依存し、関連する近傍グラフの独立数と密接に関連している2つの新しい組合せパラメータの結合有限性に基づく。

関連論文リスト

• Probably Approximately Precision and Recall Learning [60.00180898830079]
  機械学習における重要な課題は、一方的なフィードバックの頻度である。 本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。 我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
  論文  参考訳（メタデータ） (2024-11-20T04:21:07Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Differentially-Private Bayes Consistency [70.92545332158217]
  差分プライバシー(DP)を満たすベイズ一貫した学習ルールを構築する。 ほぼ最適なサンプル複雑性を持つ半教師付き環境で,任意のVCクラスをプライベートに学習できることを実証する。
  論文  参考訳（メタデータ） (2022-12-08T11:57:30Z)
• Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
  非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。 本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
  論文  参考訳（メタデータ） (2022-10-26T03:19:24Z)
• Multiclass Learnability Beyond the PAC Framework: Universal Rates and Partial Concept Classes [31.2676304636432]
  本研究では,有界なラベル数$k$の多クラス分類の問題について,実現可能な設定で検討する。 従来のPACモデルを(a)分布依存学習率、(b)データ依存仮定下での学習率に拡張する。
  論文  参考訳（メタデータ） (2022-10-05T14:36:27Z)
• Learning Stochastic Majority Votes by Minimizing a PAC-Bayes Generalization Bound [15.557653926558638]
  分類器の有限アンサンブルに対する多数票の対について検討し、その一般化特性について検討する。 ディリクレ分布でインスタンス化し、予測されるリスクに対して閉じた形式と微分可能な表現を可能にする。 結果の多数決学習アルゴリズムは、最先端の精度と(非空きな)厳密な境界から恩恵を得る。
  論文  参考訳（メタデータ） (2021-06-23T16:57:23Z)
• On the Complexity of Learning from Label Proportions [4.111899441919163]
  ラベル付学習データを用いてラベル比率で学習する問題について検討する。 この学習モデルは、投票者による政治選挙における候補者の投票数を予測することを含む、幅広い設定に適用できる。 意外なことに、有限VCクラスでは、LPPが効率的に学習できることは、PACで効率的に学習できることの厳密なサブセットであることを示している。
  論文  参考訳（メタデータ） (2020-04-07T16:15:22Z)

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。