Fugu-MT 論文翻訳(概要): High-arity Sample Compression

論文の概要: High-arity Sample Compression

arxiv url: http://arxiv.org/abs/2605.12465v1
Date: Tue, 12 May 2026 17:50:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-13 21:48:57.068017
Title: High-arity Sample Compression
Title（参考訳）: 高純度サンプル圧縮
Authors: Leonardo N. Coregliano, William Opich,
Abstract要約: サンプル圧縮スキームの高純度変種を考察する。非自明な品質の高純度サンプル圧縮スキームの存在は、高純度PAC学習可能性を意味することを証明した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, a series of works have started studying variations of concepts from learning theory for product spaces, which can be collected under the name high-arity learning theory. In this work, we consider a high-arity variant of sample compression schemes and we prove that the existence of a high-arity sample compression scheme of non-trivial quality implies high-arity PAC learnability.
Abstract（参考訳）: 近年, 製品空間の学習理論から, 高次学習理論(High-arity learning theory)の名で収集できる概念のバリエーションについて, 一連の研究が始まっている。本研究では,サンプル圧縮スキームの高アリティ変種を考察し,非自明な品質の高アリティサンプル圧縮スキームの存在が高アリティPAC学習可能性を示していることを示す。

関連論文リスト

Prune-then-Quantize or Quantize-then-Prune? Understanding the Impact of Compression Order in Joint Model Compression [16.625053009148306]
連成モデル圧縮は、プルーニングや量子化といった複数の手法を組み合わせることで、より高い効率を達成するための強力な戦略である。ジョイントモデル圧縮における中心的だが未探索の要素は、圧縮順序または圧縮パイプライン内の異なるメソッドのシーケンスである。
論文参考訳（メタデータ） (2026-03-19T02:40:23Z)
Towards Efficient Large Language Reasoning Models via Extreme-Ratio Chain-of-Thought Compression [55.63153956934198]
Chain-of-Thought (CoT)推論はLarge Language Models (LLMs)の推論能力をうまく向上させる既存のCoT圧縮法は、しばしば高い圧縮比で論理的忠実度が著しく低下する。本稿では,Extra-CoTと呼ばれる新しいEXTreme-RAtio Chain-of-Thought Compressionフレームワークを提案する。
論文参考訳（メタデータ） (2026-02-09T06:57:15Z)
Higher fidelity perceptual image and video compression with a latent conditioned residual denoising diffusion model [55.2480439325792]
本稿では,認知品質に最適化されたハイブリッド圧縮方式を提案し,CDCモデルのアプローチをデコーダネットワークで拡張する。 CDCと比較した場合,LPIPSとFIDの知覚スコアを比較検討しながら,最大2dBPSNRの忠実度向上を実現した。
論文参考訳（メタデータ） (2025-05-19T14:13:14Z)
Can Diffusion Models Disentangle? A Theoretical Perspective [37.21661224725838]
本稿では,拡散モデルが非交叉表現を学習する方法を理解するための新しい理論的枠組みを提案する。我々は、一般的な非絡み付き潜在変数モデルの識別可能性条件を確立し、トレーニング力学を解析し、非絡み付き潜在部分空間モデルのサンプル複雑性境界を導出する。
論文参考訳（メタデータ） (2025-03-31T20:46:18Z)
Guaranteed Sampling Flexibility for Low-tubal-rank Tensor Completion [6.065229938974932]
Cross-Concentrated Smpling (t-CCS) は、テンソルフレームワーク内での行列のクロス集中サンプリングを前進させる、新しく簡単なサンプリングモデルである。我々は,t-CCSがBernoulliとt-CURのサンプリングのギャップを効果的に埋めることを示し,様々なコンテキストにおける節約につながる柔軟性を提供する。
論文参考訳（メタデータ） (2024-06-16T22:45:56Z)
High-arity PAC learning via exchangeability [1.6114012813668932]
我々は「構造化相関」の存在下での統計的学習である高純度PAC学習の理論を開発する。我々の主定理は、統計学習の基本的な定理の高次性(不可知性)バージョンを確立する。
論文参考訳（メタデータ） (2024-02-22T05:16:04Z)
Implicit Compressibility of Overparametrized Neural Networks Trained with Heavy-Tailed SGD [31.61477313262589]
勾配降下(SGD)を訓練した一層ニューラルネットワークの検討加法的な重み付きノイズを各繰り返しに注入すると、任意の圧縮率に対して、アルゴリズムの出力が高い確率で圧縮可能であるように過度なパラメータ化のレベルが存在することを示す。
論文参考訳（メタデータ） (2023-06-13T20:37:02Z)
What do Compressed Large Language Models Forget? Robustness Challenges in Model Compression [68.82486784654817]
本稿では,知識蒸留とプルーニングを含む2つの一般的なモデル圧縮手法について検討する。本研究では, 圧縮モデルが, 対向テストセット上のPLMモデルよりもはるかに頑健であることを示す。サンプル不確実性に基づくモデル圧縮の正規化戦略を開発する。
論文参考訳（メタデータ） (2021-10-16T00:20:04Z)
Learning, compression, and leakage: Minimising classification error via meta-universal compression principles [87.054014983402]
学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
論文参考訳（メタデータ） (2020-10-14T20:03:58Z)
Compressing Large Sample Data for Discriminant Analysis [78.12073412066698]
判別分析フレームワーク内での大きなサンプルサイズに起因する計算問題を考察する。線形および二次判別分析のためのトレーニングサンプル数を削減するための新しい圧縮手法を提案する。
論文参考訳（メタデータ） (2020-05-08T05:09:08Z)

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。