論文の概要: Calibeating Made Simple

• arxiv url: http://arxiv.org/abs/2603.22167v1
• Date: Mon, 23 Mar 2026 16:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.786163
• Title: Calibeating Made Simple
• Title（参考訳）: カリビーティングはシンプルに
• Authors: Yurong Chen, Zhiyi Huang, Michael I. Jordan, Haipeng Luo,
• Abstract要約: カリビートは後悔と同等の極小値であることを示す。 また、マルチカリービートは、カリビートと古典的専門家問題の組み合わせと等価であることを示す。 2値予測では, 同時に最適校正率も達成できる最初の校正アルゴリズムが得られた。
• 参考スコア（独自算出の注目度）: 75.91049650502048
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study calibeating, the problem of post-processing external forecasts online to minimize cumulative losses and match an informativeness-based benchmark. Unlike prior work, which analyzed calibeating for specific losses with specific arguments, we reduce calibeating to existing online learning techniques and obtain results for general proper losses. More concretely, we first show that calibeating is minimax-equivalent to regret minimization. This recovers the $O(\log T)$ calibeating rate of Foster and Hart [FH23] for the Brier and log losses and its optimality, and yields new optimal calibeating rates for mixable losses and general bounded losses. Second, we prove that multi-calibeating is minimax-equivalent to the combination of calibeating and the classical expert problem. This yields new optimal multi-calibeating rates for mixable losses, including Brier and log losses, and general bounded losses. Finally, we obtain new bounds for achieving calibeating and calibration simultaneously for the Brier loss. For binary predictions, our result gives the first calibrated algorithm that at the same time also achieves the optimal $O(\log T)$ calibeating rate.
• Abstract（参考訳）: 我々は、累積損失を最小限に抑え、情報量に基づくベンチマークと一致させるために、オンラインで外部予測を後処理するカラビートについて検討する。 特定の議論で特定の損失に対するカリビートを解析した先行研究とは異なり、既存のオンライン学習技術へのカリビートを削減し、一般的な損失に対する結果を得る。 より具体的には、カリビートは、後悔の最小化と等価であることを示す。 これにより、ブライアとログの損失と最適性に対するフォスターとハート[FH23]の$O(\log T)$カリビートレートが回復し、混合可能な損失と一般有界損失に対する新たな最適カリビートレートが得られる。 第二に、マルチカリービートは、カリビートと古典的エキスパート問題の組み合わせと等価であることを示す。 これにより、ブライアとログの損失を含む混合可能な損失に対して、新たな最適マルチカレーブレートが得られる。 最後に, キャリブレーションとキャリブレーションを同時に行うための新たなバウンダリを得る。 二進予想に対して、我々の結果は、同時に最適な$O(\log T)$カリビート率も達成する最初の校正アルゴリズムを与える。

関連論文リスト

• Efficient Calibration for Decision Making [26.81026842833163]
  HuとWu(FOCS'24)はこれを、キャリブレーション決定損失(mathsfCDL$)と呼ばれる近似キャリブレーション尺度を定義するために使用する。 我々は、$mathsfCDL_K$が情報理論および計算学的に抽出可能なときの包括的理論を開発する。
  論文  参考訳（メタデータ） (2025-11-17T18:52:00Z)
• Beyond Worst-Case Online Classification: VC-Based Regret Bounds for Relaxed Benchmarks [19.642496463491053]
  我々は、オンラインバイナリ分類を再考し、最良クラスのバイナリ損失との競合から、緩やかなベンチマークとの競合へと焦点を移した。 我々は、小さな入力摂動に対して頑健な予測器の比較、ガウス平滑化下での良好な性能、あるいは所定の出力マージンを維持することを検討する。 我々のアルゴリズムは、VC次元とインスタンス空間の複雑さにのみ依存する後悔の保証を達成する。
  論文  参考訳（メタデータ） (2025-04-14T18:00:23Z)
• Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
  キャリブレーション・リファインメント分解の新規な変分定式化について述べる。 我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2025-01-31T15:03:54Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Optimal Multiclass U-Calibration Error and Beyond [31.959887895880765]
  オンラインマルチクラス境界U-キャリブレーションの問題は、予測器がU-キャリブレーション誤差の低いクラスをK$で逐次分布予測することを目的としている。 最適U校正誤差は$Theta(sqrtKT)$である。
  論文  参考訳（メタデータ） (2024-05-28T20:33:18Z)
• A Non-Asymptotic Moreau Envelope Theory for High-Dimensional Generalized Linear Models [33.36787620121057]
  ガウス空間の任意のクラスの線型予測器を示す新しい一般化境界を証明した。 私たちは、Zhou et al. (2021) の「最適化率」を直接回復するために、有限サンプルバウンドを使用します。 ローカライズされたガウス幅を用いた有界一般化の適用は、一般に経験的リスク最小化に対してシャープであることを示す。
  論文  参考訳（メタデータ） (2022-10-21T16:16:55Z)
• The Devil is in the Margin: Margin-based Label Smoothing for Network Calibration [21.63888208442176]
  ディープニューラルネットワークの優位な性能にもかかわらず、最近の研究では、それらが十分に校正されていないことが示されている。 現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。 我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
  論文  参考訳（メタデータ） (2021-11-30T14:21:47Z)
• MTAdam: Automatic Balancing of Multiple Training Loss Terms [95.99508450208813]
  複数の損失項を扱うためにAdam最適化アルゴリズムを一般化する。 新たな手法によるトレーニングは, 最適初期損失重み付けの早期回復につながることを示す。
  論文  参考訳（メタデータ） (2020-06-25T20:27:27Z)

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。