Fugu-MT 論文翻訳(概要): Learning from Equivalence Queries, Revisited

論文の概要: Learning from Equivalence Queries, Revisited

arxiv url: http://arxiv.org/abs/2604.04535v1
Date: Mon, 06 Apr 2026 08:55:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:19.153439
Title: Learning from Equivalence Queries, Revisited
Title（参考訳）: 等価クエリから学ぶ - 再考
Abstract要約: 本研究は,全情報と帯域幅の両方のフィードバックに基づいて等価クエリから学習する。本分析では,対称逆数に対するゲーム理論的視点と適応重み付け法とミニマックス引数を組み合わせる。
参考スコア（独自算出の注目度）: 62.46207559138802
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Modern machine learning systems, such as generative models and recommendation systems, often evolve through a cycle of deployment, user interaction, and periodic model updates. This differs from standard supervised learning frameworks, which focus on loss or regret minimization over a fixed sequence of prediction tasks. Motivated by this setting, we revisit the classical model of learning from equivalence queries, introduced by Angluin (1988). In this model, a learner repeatedly proposes hypotheses and, when a deployed hypothesis is inadequate, receives a counterexample. Under fully adversarial counterexample generation, however, the model can be overly pessimistic. In addition, most prior work assumes a \emph{full-information} setting, where the learner also observes the correct label of the counterexample, an assumption that is not always natural. We address these issues by restricting the environment to a broad class of less adversarial counterexample generators, which we call \emph{symmetric}. Informally, such generators choose counterexamples based only on the symmetric difference between the hypothesis and the target. This class captures natural mechanisms such as random counterexamples (Angluin and Dohrn, 2017; Bhatia, 2021; Chase, Freitag, and Reyzin, 2024), as well as generators that return the simplest counterexample according to a prescribed complexity measure. Within this framework, we study learning from equivalence queries under both full-information and bandit feedback. We obtain tight bounds on the number of learning rounds in both settings and highlight directions for future work. Our analysis combines a game-theoretic view of symmetric adversaries with adaptive weighting methods and minimax arguments.
Abstract（参考訳）: 生成モデルやレコメンデーションシステムといった現代の機械学習システムは、デプロイ、ユーザインタラクション、定期的なモデル更新のサイクルを通じて進化することが多い。これは標準的な教師付き学習フレームワークと異なり、予測タスクの固定シーケンスに対する損失や後悔の最小化に重点を置いている。この設定により、Angluin (1988) が導入した同値クエリから古典的な学習モデルを再考する。このモデルでは、学習者が仮説を繰り返し提案し、デプロイされた仮説が不十分な場合には、反例を受け取る。しかし、完全に逆の反例生成の下では、モデルは過度に悲観的である。さらに、ほとんどの先行研究では「emph{full-information}」の設定を前提としており、学習者は反例の正しいラベルも観察する。これらの問題に対処するため、環境をより逆の反例生成器の幅広いクラスに制限し、これを \emph{symmetric} と呼ぶ。形式的には、そのような生成元は仮説と対象の間の対称的な差のみに基づいて反例を選択する。このクラスは、ランダムな反例(Angluin and Dohrn, 2017; Bhatia, 2021; Chase, Freitag, and Reyzin, 2024)のような自然のメカニズムと、所定の複雑性尺度に従って最も単純な反例を返すジェネレータをキャプチャする。本フレームワークでは,情報量と帯域幅の両方のフィードバックに基づいて等価なクエリから学習する。今後の作業の方向性と設定の両方において、学習ラウンドの数に厳密な制限を設けます。本分析では, 対称逆数に対するゲーム理論的視点と適応重み付け法とミニマックス引数を組み合わせる。

関連論文リスト

Distribution-Free Sequential Prediction with Abstentions [7.110627876507878]
本研究では, 敵が任意の数の敵インスタンスを任意に注入することを許容する逐次予測問題について検討する。各ラウンドにおいて、学習者はインスタンスが実際に破損した場合、ペナルティを発生させることなく予測を行うことも強調できる。本稿では,弱い学習者の強化手順に基づくtextscAbstainBoostを提案する。
論文参考訳（メタデータ） (2026-02-20T00:28:27Z)
Rademacher learning rates for iterated random functions [0.0]
トレーニングデータセットが、必ずしも既約あるいは非周期的でない反復ランダム関数によって生成される場合を考える。支配関数が第一引数に関して収縮的であるという仮定の下で、まず、対応するサンプル誤差に対する一様収束結果を確立する。次に、近似経験的リスク最小化アルゴリズムの学習可能性を示し、その学習速度を導出する。
論文参考訳（メタデータ） (2025-06-16T19:36:13Z)
Generation from Noisy Examples [2.3020018305241337]
生成性は、有限個のノイズのある例の存在によってほとんど影響を受けないことが示される。有限類と可算類に対して、生成性は有限個のノイズのある例の存在によってほとんど影響を受けないことを示す。
論文参考訳（メタデータ） (2025-01-07T23:16:14Z)
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)
Revisiting Optimism and Model Complexity in the Wake of Overparameterized Machine Learning [6.278498348219108]
まず、(有効)自由度という古典的な統計的概念を再解釈し、拡張することで、第一原理からモデルの複雑さを再考する。我々は,概念的議論,理論,実験の混合を通じて,提案した複雑性尺度の有用性を実証する。
論文参考訳（メタデータ） (2024-10-02T06:09:57Z)
Adversarial Resilience in Sequential Prediction via Abstention [46.80218090768711]
本研究では,クリーンラベルの逆数例を注入できる逆数設定における逐次予測の問題について検討する。そこで本研究では,純粋と完全対向的な設定の間に位置する逐次予測の新しいモデルを提案する。
論文参考訳（メタデータ） (2023-06-22T17:44:22Z)
When are ensembles really effective? [49.37269057899679]
分類タスクにおいて,アンサンブルが顕著な性能向上をもたらす時期について検討する。平均誤差率に対して不一致率が大きくなると,アンサンブルにより性能が大幅に向上することを示す。アンサンブルが実現し、大きなパフォーマンス改善をもたらすことのない、実践的なシナリオを特定します。
論文参考訳（メタデータ） (2023-05-21T01:36:25Z)
Characterizing Datapoints via Second-Split Forgetting [93.99363547536392]
我々は、オリジナルのトレーニング例が忘れられた後(もしあれば)のエポックを追跡する補足的メトリックである$$-second-$split$$forgetting$$$time$ (SSFT)を提案する。例えば$mislabeled$の例はすぐに忘れられ、$rare$の例は比較的ゆっくりと忘れられています。 SSFTは、(i)間違ったラベル付きサンプルを識別し、その除去により一般化が向上し、(ii)障害モードに関する洞察を提供する。
論文参考訳（メタデータ） (2022-10-26T21:03:46Z)
Benign Overfitting in Adversarially Robust Linear Classification [91.42259226639837]
分類器がノイズの多いトレーニングデータを記憶しながらも、優れた一般化性能を達成している「双曲オーバーフィッティング」は、機械学習コミュニティにおいて大きな注目を集めている。本研究は, 対人訓練において, 対人訓練において, 良心過剰が実際に発生することを示し, 対人訓練に対する防御の原則的アプローチを示す。
論文参考訳（メタデータ） (2021-12-31T00:27:31Z)
Adversarial Example Games [51.92698856933169]
Adrial Example Games (AEG) は、敵の例の製作をモデル化するフレームワークである。 AEGは、ある仮説クラスからジェネレータとアバーサを反対に訓練することで、敵の例を設計する新しい方法を提供する。 MNIST と CIFAR-10 データセットに対する AEG の有効性を示す。
論文参考訳（メタデータ） (2020-07-01T19:47:23Z)

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。