論文の概要: Prior-Agnostic Robust Forecast Aggregation
- arxiv url: http://arxiv.org/abs/2604.24517v1
- Date: Mon, 27 Apr 2026 14:18:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:08.075441
- Title: Prior-Agnostic Robust Forecast Aggregation
- Title（参考訳）: 事前不可知ロバスト予測アグリゲーション
- Authors: Zhi Chen, Cheng Peng, Wei Tang,
- Abstract要約: 本研究は,アグリゲータが専門家の報告のみを観察する事前認識型頑健な予測アグリゲーションについて検討する。
バイナリ状態空間 0, 1 を固定する標準モデルとは異なり、[0, 1] において(バイナリ)未知の状態値を任意の数にする。
我々の主な貢献は、単純で明示的で閉形式のロジット・アグリゲータであり、ロジット空間で予測を線形にプールする。
- 参考スコア（独自算出の注目度）: 11.442537933650769
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Robust forecast aggregation combines the predictions of multiple information sources to perform well in the worst case across all possible information structures. Previous work largely focuses on settings with a known binary state space, where the state is either 0 or 1. We study prior-agnostic robust forecast aggregation in which the aggregator observes only experts' reports, yet is ignorant of both the underlying joint information structure and the full prior, including the underlying state space. Unlike the standard model that fixes the binary state space {0, 1}, we allow the (binary) unknown state values to be arbitrary numbers in [0, 1], so the same reported probability may correspond to very different realized outcome frequencies across environments. Our main contribution is a simple, explicit, closed-form log-odds aggregator that linearly pools forecasts in logit space, together with (nearly-)tight minimax-regret guarantees across three knowledge regimes. We first show that under conditionally independent (CI) signals, robust aggregation with an unknown state space is strictly harder than in the known-state setting by establishing a larger lower bound, and our aggregation rule can achieve a worst-case regret of 0.0255. Along the way, we also characterize tight regret bounds for Blackwell-ordered structures and for general information structures. In the classical setting with known state space {0,1}, our aggregator achieves regret strictly below 0.0226 for CI structures. To the best of our knowledge, this is the first explicit closed-form aggregator that achieves a regret upper bound strictly less than 0.0226. Finally, we extend the model where the aggregator additionally knows each expert's marginal forecast distribution; in this setting, with the CI structures, we show that a generalized log-odds rule achieves regret of 0.0228, complementing with a lower bound of 0.0225.
- Abstract（参考訳）: ロバスト予測アグリゲーションは、複数の情報ソースの予測を組み合わせることで、可能なすべての情報構造に対して最悪の場合において、うまく機能する。
以前の作業では、状態が0または1である既知のバイナリ状態空間の設定に主に焦点が当てられていた。
本研究は,アグリゲータが専門家の報告のみを観察する事前の頑健な予測アグリゲーションについて検討するが,基礎となるジョイント情報構造と,基礎となる状態空間を含む先行部分の両方に無関係である。
バイナリ状態空間 {0, 1} を固定する標準モデルとは異なり、[0, 1] において(バイナリ)未知の状態値を任意の数にすることを許す。
我々の主な貢献は、単純で明示的で閉形式のログオード・アグリゲータであり、3つの知識体系にわたる(ほぼ)極小保証とともに、ロジット空間で予測を線形にプールする。
まず、条件独立(CI)信号の下では、未知の状態空間によるロバストアグリゲーションは、より大きな下界を確立することにより、既知の状態設定よりも厳密に困難であることが示され、我々のアグリゲーションルールは0.0255の最悪の後悔を達成できる。
その過程では、ブラックウェル順序構造と一般的な情報構造に対する厳密な後悔境界も特徴づける。
既知の状態空間 {0,1} を持つ古典的な設定では、我々のアグリゲータはCI構造に対して 0.0226 未満の後悔を達成する。
我々の知る限りでは、これは 0.0226 未満の後悔の上界を達成する最初の明示的な閉形式アグリゲータである。
最後に、アグリゲータが各専門家の限界予測分布を付加的に知るモデルを拡張し、この設定では、CI構造を用いて、一般化された対数法則が0.0228の後悔を達成し、0.0225の下位境界を補完することを示す。
関連論文リスト
- Learning Uncertainty from Sequential Internal Dispersion in Large Language Models [52.29267172760918]
不確実性推定は、大規模言語モデルにおける幻覚を検出するための有望なアプローチである。
最近の手法は一般に不確実性を推定するために内部状態のモデルに依存する。
本稿では,教師付き幻覚検出フレームワークであるシークエンシャル内部変数表現(SIVR)を提案する。
論文 参考訳（メタデータ） (2026-04-17T06:31:29Z) - Keeping a Secret Requires a Good Memory: Space Lower-Bounds for Private Algorithms [67.94856074923571]
本稿では,マルチプレイヤー通信ゲームに基づく新しい証明手法を提案する。
本稿では,このコミュニケーションゲームに勝つためには,過剰なユーザ数に比例した情報伝達が必要であることを示す。
このコミュニケーション理論の手法は幅広い問題のクラスに一般化し、プライベートな中央値、量子化値、最大選択値の下位境界を導出することを示す。
論文 参考訳（メタデータ） (2026-02-12T17:49:07Z) - Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
教師付きディープラーニングの基本的限界は「一般化崩壊」である
階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。
我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
論文 参考訳（メタデータ） (2025-12-19T11:37:02Z) - Semantic-Constrained Federated Aggregation: Convergence Theory and Privacy-Utility Bounds for Knowledge-Enhanced Distributed Learning [0.0]
本稿では,ドメイン知識の制約を分散最適化に組み込んだ理論的な基盤を持つフレームワークであるSemantic-Constrained Federated Aggregation(SCFA)を紹介する。
我々は、制約違反率を表す SCFA 収束率 O(1/sqrt(T) + rho) を証明し、制約に基づく連邦学習のための最初の収束理論を確立する。
我々は,Boschの生産データを用いて,118万サンプルと968のセンサ機能を備えた予測保守の枠組みを検証した。
論文 参考訳（メタデータ） (2025-12-12T04:29:29Z) - Multi-Granular Discretization for Interpretable Generalization in Precise Cyberattack Identification [0.0]
解釈可能な一般化(IG)メカニズムはコヒーレントパターンの学習に使用される。
IG-MDはいくつかのガウスの解像度で全ての連続的な特徴を表す。
UKM-IDS20では、IG-MDは9回の列車試験で4ポイント以上の精度を引き上げている。
論文 参考訳（メタデータ） (2025-07-16T12:57:38Z) - ZIP: Scalable Crowd Counting via Zero-Inflated Poisson Modeling [29.570935239024138]
ZIPは、ゼロインフレポアソン確率でブロックワイズカウントをモデル化するスケーラブルなクラウドカウントフレームワークである。
MSEに基づく損失よりもZIPに縛られるリスクが強いことを一般化分析で示す。
上海工科大学A&B、UCF-QNRF、NWPU-Crowdの実験では、ZIPがあらゆるモデルスケールにわたる最先端の手法を一貫して超越していることが示されている。
論文 参考訳（メタデータ） (2025-06-24T19:06:22Z) - Beyond Covariance Matrix: The Statistical Complexity of Private Linear Regression [66.93988594607842]
プライバシー制約の下では、プライベート線形回帰の複雑さは通常の共分散行列によって捉えられる。
最適率を達成するための情報重み付け回帰手法を提案する。
特に、我々の結果は、共同プライバシーは追加費用がほとんどないことを示している。
論文 参考訳（メタデータ） (2025-02-18T18:35:24Z) - Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。
モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。
さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
論文 参考訳（メタデータ） (2024-10-16T07:48:53Z) - Algorithmic Robust Forecast Aggregation [10.368399274445034]
情報構造のファミリーを考えると、ロバストな予測アグリゲータは最小限の後悔を伴うアグリゲータを見つけることを目的としている。
本フレームワークは,可能な情報構造の有限族を含む一般情報集約のための効率的な近似スキームを提供する。
論文 参考訳（メタデータ） (2024-01-31T11:02:45Z) - Optimal Private Discrete Distribution Estimation with One-bit Communication [63.413106413939836]
1ビット通信制約を伴う個別分布推定問題を考える。
1ビット通信制約下での最悪のトレードオフの1次を特徴付ける。
これらの結果は,1ビット通信制約下でのプライバシユーティリティトレードオフの最適依存性を示す。
論文 参考訳（メタデータ） (2023-10-17T05:21:19Z) - Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。
すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。
本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
論文 参考訳（メタデータ） (2020-10-23T10:35:35Z)
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。