論文の概要: Density-Ratio Losses for Post-Hoc Learning to Defer

• arxiv url: http://arxiv.org/abs/2605.19557v1
• Date: Tue, 19 May 2026 08:56:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.218587
• Title: Density-Ratio Losses for Post-Hoc Learning to Defer
• Title（参考訳）: ポストホック学習におけるディフェンダーに対する密度比の損失
• Authors: Alexander Soen, Ragnar Thobaben, Joakim Jaldén, Richard Nock,
• Abstract要約: 理想分布のレンズを用いて,ポストホック学習からデファー(L2D)までの研究を行った。 モデルと専門家のイデアルの間の密度比を通じて、deferralを定義します。 次に、ディフェラル決定はスコアを閾値付けすることで行われ、deferral rateは再トレーニングせずに調整される。
• 参考スコア（独自算出の注目度）: 61.81110533670321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study post-hoc Learning to Defer (L2D) through the lens of ideal distributions: divergence-regularized reweightings of the data distribution under which a model attains low loss. We define deferral via the density-ratio between a model's and an expert's ideals. Using the reduction from density-ratio estimation to class-probability estimation, we derive the DR CPE losses for post-hoc L2D scorers. Deferral decisions are then made by thresholding the scorer, allowing deferral rates to be adjusted without retraining. For KL-based ideal distributions, our deferral rules recovers Chow's rule under the original distribution and a connection to an expert-tilted Bayes posterior -- which incorporates the expert's performance -- depending on if the ideal distributions are joint or marginal distributions. Experimentally, our approach is competitive compared to common baselines and more robust across dataset settings. More broadly, our results cast post-hoc L2D as density-ratio learning between ideal distributions, bridging Chow-style rules, expert comparison, and elucidating connections to related learning settings including anomaly detection.
• Abstract（参考訳）: 本稿では,モデルが低損失となるデータ分布の分散正規化再重み付けという,理想的な分布のレンズを通して,ポストホック学習からデファー(L2D)までの研究を行う。 モデルと専門家のイデアルの間の密度比を通じて、deferralを定義します。 密度比推定からクラス確率推定への還元を利用して, ポストホックL2DスコアラーのDR CPE損失を導出する。 次に、ディフェラル決定はスコアを閾値付けすることで行われ、deferral rateは再トレーニングせずに調整される。 KLに基づく理想分布の場合、我々の遅延規則は、理想分布が結合分布か辺り分布であるかによって、元の分布の下でChowの規則を回復し、専門家によるベイズの後部(専門家のパフォーマンスを含む)への接続を回復する。 実験的に、我々のアプローチは共通のベースラインと比較して競争力があり、データセット設定よりも堅牢です。 より広範に,本研究の結果は,理想分布間の密度比学習,ショースタイル規則のブリッジ化,専門家比較,異常検出を含む関連する学習環境への接続の解明として,ポストホックL2Dを用いた。

関連論文リスト

• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• An analysis of the noise schedule for score-based generative models [7.180235086275926]
  スコアベース生成モデル(SGM)は、目標からのノイズ摂動サンプルのみを用いてスコア関数を学習することにより、目標データ分布を推定することを目的としている。 近年の文献では、ターゲットと推定分布の誤差を評価し、KL(Kulback-Leibler)の発散とワッサーシュタイン距離を通じて生成品質を測ることに重点を置いている。 対象と推定分布のKL分散の上限を時間依存ノイズスケジュールによって明確に設定する。
  論文  参考訳（メタデータ） (2024-02-07T08:24:35Z)
• Learning to Re-weight Examples with Optimal Transport for Imbalanced Classification [74.62203971625173]
  不均衡データは、ディープラーニングに基づく分類モデルに課題をもたらす。 不均衡なデータを扱うための最も広く使われているアプローチの1つは、再重み付けである。 本稿では,分布の観点からの最適輸送(OT)に基づく新しい再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2022-08-05T01:23:54Z)
• Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
  そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。 モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。 提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
  論文  参考訳（メタデータ） (2021-11-22T06:26:29Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。