論文の概要: Learning U-Statistics with Active Inference

• arxiv url: http://arxiv.org/abs/2605.11638v1
• Date: Tue, 12 May 2026 06:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.650006
• Title: Learning U-Statistics with Active Inference
• Title（参考訳）: アクティブ推論を用いたU-Statisticsの学習
• Authors: Xiaoning Wang, Yuyang Huo, Liuhua Peng, Changliang Zou,
• Abstract要約: 固定されたラベル付け予算の下で評価効率を向上させるために,情報ラベルを問合せする$U$統計のためのアクティブな推論フレームワークを開発する。 我々のアプローチは、サンプリングルールと機械学習予測を組み込むために設計された、U$-statisticの強化逆確率重み付けに基づいて構築されている。
• 参考スコア（独自算出の注目度）: 15.497759423156642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: $U$-statistics play a central role in statistical inference. In many modern applications, however, acquiring the labels required for $U$-statistics is costly. Motivated by recent advances in active inference, we develop an active inference framework for $U$-statistics that selectively queries informative labels to improve estimation efficiency under a fixed labeling budget, while preserving valid statistical inference. Our approach is built on the augmented inverse probability weighting $U$-statistic, which is designed to incorporate the sampling rule and machine learning predictions. We characterize the optimal sampling rule that minimizes its variance and design practical sampling strategies. We further extend the framework to $U$-statistic-based empirical risk minimization. Experiments on real datasets demonstrate substantial gains in estimation efficiency over baseline methods, while maintaining target coverage.
• Abstract（参考訳）: 統計的推測において、$U$-statisticsは中心的な役割を果たす。 しかし、現代の多くのアプリケーションでは、$U$-statisticsに必要なラベルを取得するのはコストがかかる。 近年のアクティブな推論の進歩に触発されて、有効な統計的推論を保ちながら、情報的ラベルを選択的にクエリし、固定されたラベル付け予算の下で推定効率を向上させるための、$U$-statisticsのためのアクティブな推論フレームワークを開発した。 我々のアプローチは、サンプリングルールと機械学習予測を組み込むために設計された、U$-statisticの強化逆確率重み付けに基づいて構築されている。 我々は,その分散を最小限に抑える最適なサンプリングルールを特徴付けるとともに,実用的なサンプリング戦略を設計する。 さらに、このフレームワークを$U$統計ベースの経験的リスク最小化に拡張する。 実際のデータセットに対する実験は、目標カバレッジを維持しながら、ベースライン手法よりも推定効率が大幅に向上したことを示している。

関連論文リスト

• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Labels or Preferences? Budget-Constrained Learning with Human Judgments over AI-Generated Outputs [17.028710603629026]
  我々は,AIにおいて,基幹ラベルとペアの選好の間で,固定されたアノテーション予算を最適に割り当てる方法について述べる。 本稿では,データ取得戦略を最適に学習する新しいロバストネス手法であるPreference-Calibrated Active Learning (PCAL)を紹介する。 この研究は、現代のAIにおける予算制約学習に対する原則的かつ統計的に効率的なアプローチを提供する。
  論文  参考訳（メタデータ） (2026-01-19T23:23:29Z)
• Robust Sampling for Active Statistical Inference [11.929391566298841]
  アクティブ統計的推論はAI支援データ収集を用いた新しい推論手法である。 アクティブな統計的推測のためのロバストなサンプリング戦略を提案する。 本稿では,本手法の有効性を実データに示す。
  論文  参考訳（メタデータ） (2025-11-12T05:18:36Z)
• Cost-Optimal Active AI Model Evaluation [71.2069549142394]
  生成AIシステムの開発には、継続的な評価、データ取得、アノテーションが必要である。 我々は、安価だがしばしば不正確で弱いレーダの使用を積極的にバランスさせる新しいコスト認識手法を開発した。 我々は、弱者と強者の間で所定のアノテーション予算を割り当てるためのコスト最適化政策のファミリーを導出する。
  論文  参考訳（メタデータ） (2025-06-09T17:14:41Z)
• Active Statistical Inference [14.00987234726578]
  方法論は、どのデータポイントがラベルにとって最も有益かを特定するために、機械学習モデルを使用する。 既存のベースラインよりもはるかに少ないサンプルで、同じレベルの精度を達成する。
  論文  参考訳（メタデータ） (2024-03-05T18:46:50Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
  本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。 実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
  論文  参考訳（メタデータ） (2023-03-11T11:42:26Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)

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。