論文の概要: Multicalibration Boosting: Theory, Convergence, and Transferability

• arxiv url: http://arxiv.org/abs/2605.24364v1
• Date: Sat, 23 May 2026 03:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.954402
• Title: Multicalibration Boosting: Theory, Convergence, and Transferability
• Title（参考訳）: マルチキャリブレーションブースティング:理論,収束性,伝達性
• Authors: Hanxuan Ye, Hongzhe Li,
• Abstract要約: マルチキャリブレーションは、関数の豊富なコレクションに対して予測を非バイアス化することを要求することによって、古典的なキャリブレーションを拡張する。 公平性、堅牢性、信頼性のある予測のための強力なフレームワークとして登場した。 我々は既存の変種を仮定するMCBoostの統一的で洗練された視点を開発する。
• 参考スコア（独自算出の注目度）: 1.2031796234206138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multicalibration extends classical calibration by requiring predictions to be unbiased over a rich collection of functions, encompassing both prediction slices and subpopulations. It has emerged as a powerful framework for fairness, robustness, and reliable prediction, yet the theoretical understanding of multicalibration boosting (MCBoost) remains fragmented and often relies on restrictive assumptions. In this work, we develop a unified and refined perspective on MCBoost that subsumes existing variants, including multiaccuracy, BatchGCP, and BatchMVP. We uncover several phenomena that provide new insights into its practical behavior: even highly accurate and flexible predictors can remain substantially miscalibrated; enforcing multicalibration introduces a calibration-risk trade-off; and early stopping plays a central role in controlling this trade-off. On the theoretical side, we establish a general framework for MCBoost under weaker and more realistic conditions. We show that the boosting iterates converge to a Bregman projection of the population-optimal predictor onto the cumulative span generated by the audit class, thereby explicitly characterizing the function space on which multicalibration is achieved. We further derive convergence rates under different smoothness assumptions, finite-sample guarantees, and principled stopping rules that ensure multicalibration at termination. Finally, we extend the theory of universal adaptability under covariate shift, providing more general transfer guarantees and clarifying when multicalibrated predictors generalize across domains. These results provide a more complete theoretical foundation and practical guidance for multicalibration boosting, positioning it as both a unifying framework and a reliable post-processing approach for modern predictive models.
• Abstract（参考訳）: マルチキャリブレーションは古典的なキャリブレーションを拡張し、予測スライスとサブポピュレーションの両方を包含して、豊富な関数の集合に対して予測をバイアスなくする必要がある。 公正性、堅牢性、信頼性のある予測のための強力なフレームワークとして登場したが、マルチキャリブレーション促進(MCBoost)の理論的理解は断片化され、しばしば制限的な仮定に依存している。 本研究では,Multicuracy, BatchGCP, BatchMVPなど,既存の変種を仮定するMCBoostの統一的で洗練された視点を開発する。 極めて正確で柔軟な予測器でさえ、かなり誤解される可能性があること、多重校正が校正リスクのトレードオフをもたらすこと、早期停止は、このトレードオフの制御において中心的な役割を担っていること、などである。 理論的には、より弱く現実的な条件下でMCBoostの一般的な枠組みを確立する。 本研究では, 集団最適予測器のブレグマン予想値と, 監査クラスが生成した累積分布に収束し, 多重校正が達成される関数空間を明示的に特徴付けることを示す。 さらに、異なる滑らか性仮定、有限サンプル保証、および終了時の多重校正を保証する停止規則の下で収束率を導出する。 最後に、共変量シフトの下での普遍的適応性の理論を拡張し、より一般的な転送保証を提供し、多重校正予測器がドメインをまたいで一般化するときを明確にする。 これらの結果は、より完全な理論的な基礎と、マルチキャリブレーション促進のための実践的なガイダンスを提供し、近代的な予測モデルに対する統一的なフレームワークと信頼性の高い後処理アプローチとして位置づけている。

関連論文リスト

• On the Convergence of Multicalibration Gradient Boosting [13.103291011255202]
  多重校正勾配向上のための収束保証を提供することで、二乗誤差損失を伴う回帰のギャップを埋める。 連続する予測更新の規模は$O(1/sqrtT)$で減衰し、これはラウンド上の多重校正誤差に束縛される同じ収束率を意味する。
  論文  参考訳（メタデータ） (2026-02-06T15:29:02Z)
• Beyond Progress Measures: Theoretical Insights into the Mechanism of Grokking [50.465604300990904]
  グロキング(Grokking)とは、オーバーフィッティングの拡張後のテスト精度の急激な改善を指す。 本研究では、素数演算のタスクにおいて、Transformerの基盤となるグルーキング機構について検討する。
  論文  参考訳（メタデータ） (2025-04-04T04:42:38Z)
• Federated Generalised Variational Inference: A Robust Probabilistic Federated Learning Framework [12.454538785810259]
  FedGVIは確率的フェデレートラーニング(FL)フレームワークで、事前およびおそらく誤特定に対して堅牢である。 固定点収束、キャビティ分布の最適性、そして確率的不特定性に対する証明可能なロバスト性の観点から理論的解析を行う。
  論文  参考訳（メタデータ） (2025-02-02T16:39:37Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Low-Degree Multicalibration [16.99099840073075]
  低Degree Multicalibration は、ますます強力なマルチグループフェアネスの概念の階層を定義する。 低次マルチキャリブレーションは完全マルチキャリブレーションよりもはるかに効率的であることを示す。 我々の研究は、低次多重校正がスイートスポット、ペアリング計算とサンプル効率を強い公正性と精度保証で表しているという説得力のある証拠を提示する。
  論文  参考訳（メタデータ） (2022-03-02T17:24:55Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。