論文の概要: Smoothed Elicitation Complexity for Approximate $Γ$-calibration of Discrete Classification Tasks

• arxiv url: http://arxiv.org/abs/2605.23017v1
• Date: Thu, 21 May 2026 20:39:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.089132
• Title: Smoothed Elicitation Complexity for Approximate $Γ$-calibration of Discrete Classification Tasks
• Title（参考訳）: 離散分類タスクの近似$$-calibrationに対する滑らかな励振複素性
• Authors: Jessica Finocchiaro, Victor Ganson, Drona Khurana,
• Abstract要約: 連立結果設定では、モデルの分布予測に基づいて結果が実現された場合、確率予測器を校正する。 Noarov and Roth (2023) は結果分布の特性である予測を伴うマルチクラスキャリブレーションを提案する。 この研究は、離散特性に対して近似的なキャリブレーション結果を提供する最初のものである。
• 参考スコア（独自算出の注目度）: 2.6617847136715485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: One prominent method of evaluating machine learning model trustworthiness is the notion of calibration. In the binary outcome setting, a probabilistic predictor is calibrated if outcomes are realized according to a model's distributional prediction, conditioned on this prediction. Straightforward extensions of binary calibration definitions to probabilistic multiclass classifiers suffer from an exponential complexity blowup as the space of predictions grows exponentially in the number of classes $n$. As a remedy, Noarov and Roth (2023) propose multiclass calibration with predictions that are properties of the outcome distribution, reducing complexity from growing in the number of classes $n$ to the dimension $d$ of the property, called its elicitation complexity. Previous work on approximate property calibration is generally limited to continuous scalar properties, despite many relevant properties of interest being discrete, like the mode or rankings. We characterize the approximate property calibration of discrete properties which are strongly orderable by using Lipschitz continuous properties as an intermediary. This work is the first to our knowledge to provide approximate calibration results for discrete properties. Along the way, we characterize the Lipschitz elicitation complexity of strongly orderable discrete properties by constructing algorithms for designing these Lipschitz properties, which we prove can be post-processed to obtain the original discrete property.
• Abstract（参考訳）: 機械学習モデルの信頼性を評価する1つの顕著な方法は、キャリブレーションの概念である。 連立結果設定では、この予測に基づいて、モデルの分布予測に基づいて結果が実現された場合、確率予測器を校正する。 確率的多クラス分類器に対する二項キャリブレーション定義のストレートフォワード展開は、予測の空間がクラス数$n$で指数関数的に増加するにつれて、指数関数的な複雑性の爆発に悩まされる。 救済策として、Noarov and Roth (2023) は結果分布の性質である予測を伴うマルチクラスキャリブレーションを提案し、そのエリケーション複雑性 (en:elicitation complexity) と呼ばれる性質の次元 $n$ から $d$ へのクラス数の増加から複雑性を減少させる。 これまでの近似特性キャリブレーションの研究は、一般に、モードやランクのような多くの関連する関心の性質が離散的であるにもかかわらず、連続スカラー特性に限られる。 我々は、リプシッツ連続特性を中間体として使用することにより、強い順序付けが可能な離散特性の近似特性キャリブレーションを特徴付ける。 この研究は、離散特性に対して近似キャリブレーション結果を提供する最初の知識である。 その過程で、これらのリプシッツ特性を設計するためのアルゴリズムを構築することによって、強順序性のある離散特性のリプシッツ誘引複雑性を特徴づける。

関連論文リスト

• Three Types of Calibration with Properties and their Semantic and Formal Relationships [7.619404259039283]
  キャリブレーションを動機づける2つの説明として,予測特性の自己実現と帰属損失の正確な推定を行う。 二項帰結集合では、両方の原型的定義は参照特性の適切な選択の下で一致する。 校正と校正の両面において,複数校正によく用いられるグループ分けの役割について論じる。
  論文  参考訳（メタデータ） (2025-04-25T14:46:10Z)
• Parametric $ρ$-Norm Scaling Calibration [8.583311125489942]
  出力の不確実性は、確率的特性がモデル出力の客観的特性を反映しているかどうかを示す。 本稿では,処理後パラメトリックキャリブレーション法である$rho$-Norm Scalingを導入し,キャリブレータ表現を拡張し,過度な振幅による過信を緩和する。
  論文  参考訳（メタデータ） (2024-12-19T10:42:11Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  リッジ回帰に関する最近の結果について統一的な視点を提示する。 我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。 我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• On Computationally Efficient Multi-Class Calibration [9.032290717007065]
  プロジェクトのキャリブレーションは、下流の意思決定者全員に強い保証を与えます。 これは、ラベルに割り当てられた確率を$T$にまとめることで予測される確率が、完全に校正されたバイナリ予測器に近いことを保証している。
  論文  参考訳（メタデータ） (2024-02-12T17:25:23Z)
• An Inexact Halpern Iteration with Application to Distributionally Robust Optimization [8.722877733571796]
  不正確なスキームを適切に選択することにより、(予想される)剰余ノルムの点において$O(k-1)収束率を許容することを示す。 本稿では,データ駆動型分散ロバスト最適化の2つのクラスを解くために,提案手法をいかに適用できるかを示す。
  論文  参考訳（メタデータ） (2024-02-08T20:12:47Z)
• The Lipschitz-Variance-Margin Tradeoff for Enhanced Randomized Smoothing [85.85160896547698]
  ディープニューラルネットワークの現実的な応用は、ノイズの多い入力や敵攻撃に直面した場合、その不安定な予測によって妨げられる。 入力にノイズ注入を頼りに、認証された半径を持つ効率的な分類器を設計する方法を示す。 新たな認証手法により、ランダムな平滑化による事前学習モデルの使用が可能となり、ゼロショット方式で現在の認証半径を効果的に改善できる。
  論文  参考訳（メタデータ） (2023-09-28T22:41:47Z)
• Profile Entropy: A Fundamental Measure for the Learnability and Compressibility of Discrete Distributions [63.60499266361255]
  離散分布のサンプルに対して、プロファイルエントロピーは推定、推論、圧縮の概念を統一する基本的な尺度であることを示す。 具体的には、プロファイルエントロピー a) は、最適自然推定器に対する分布を推定する速度を決定する; b) 任意のラベル不変分布コレクションに対する最適推定器と比較して全ての対称特性を推定する速度を特徴付ける; c) プロファイル圧縮の限界として機能する。
  論文  参考訳（メタデータ） (2020-02-26T17:49:04Z)

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。