Fugu-MT 論文翻訳(概要): Improved Distribution Estimation in $\ell

論文の概要: Improved Distribution Estimation in $\ell_\infty$

arxiv url: http://arxiv.org/abs/2605.30509v1
Date: Thu, 28 May 2026 19:44:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-01 20:56:50.199938
Title: Improved Distribution Estimation in $\ell_\infty$
Title（参考訳）: $\ell_\infty$における分布推定の改善
Authors: Doron Cohen, Aryeh Kontorovich, Yonatan Livshitz,
Abstract要約: 我々は $ell_infty$ ノルムの下で離散確率分布を推定するための改善された境界を示す。これらは期待値のミニマックス境界と高確率テール境界を含む。
参考スコア（独自算出の注目度）: 13.531125848476739
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present improved bounds for estimating discrete probability distributions under the $\ell_\infty$ norm. These include minimax bounds in expectation and high-probability tail bounds. We resolve some of the open questions posed in Kontorovich and Painsky (JMLR, 2025) -- including a fully empirical version of the tightest risk bound they presented and identifying the form of the worst-case extremal distribution. Encouraging empirical results are reported as well.
Abstract（参考訳）: 我々は$\ell_\infty$ノルムの下で離散確率分布を推定するための改善された境界を示す。これらは期待値のミニマックス境界と高確率テール境界を含む。我々は、Kontorovich and Painsky (JMLR, 2025)で提起されたオープンな疑問のいくつかを解決し、それらが提示した最も厳密なリスク境界の完全な経験的なバージョンと、最悪のケースの極端分布の形式を特定する。実証結果の増大も報告されている。

関連論文リスト

Estimation of discrete distributions with high probability under $χ^2$-divergence [0.0]
我々は,iid試料からの分散分布の高確率推定を$chi2$-divergence損失下で検討した。簡易な平滑化戦略により,ミニマックス高確率リスクが達成可能であることを示す。
論文参考訳（メタデータ） (2025-10-29T11:19:49Z)
Continuous K-Max Bandits [54.21533414838677]
我々は、連続的な結果分布と弱い値-インデックスフィードバックを持つ、$K$-Maxのマルチアームバンディット問題について検討する。この設定は、レコメンデーションシステム、分散コンピューティング、サーバスケジューリングなどにおいて重要なアプリケーションをキャプチャします。我々の重要な貢献は、適応的な離散化とバイアス補正された信頼境界を組み合わせた計算効率の良いアルゴリズムDCK-UCBである。
論文参考訳（メタデータ） (2025-02-19T06:37:37Z)
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)
Distribution Estimation under the Infinity Norm [19.997465098927858]
我々は$ell_infty$ノルムの下で離散確率分布を推定するための新しい境界を示す。我々のデータ依存収束保証は、現在知られている結果に対して最大極大推定器を著しく改善する。
論文参考訳（メタデータ） (2024-02-13T12:49:50Z)
On Regression in Extreme Regions [0.7974430263940756]
我々は、余変数の観測されていない尾に外挿、あるいは領域外一般化を目的とした統計的学習理論の枠組みを確立する。本稿では,Vapnik-Chervonenkisクラスから選択した予測器を用いて,非パラメトリック最小二乗回帰のスタイリング問題に対処する。本研究では, 余剰リスクの観点から, テール領域の予測性能を定量化し, 明確なバイアス分散分解を伴う有限サンプルリスクとして提示する。
論文参考訳（メタデータ） (2023-03-06T12:55:38Z)
Finite-Time Regret of Thompson Sampling Algorithms for Exponential Family Multi-Armed Bandits [88.21288104408556]
本研究では,指数関数族バンドイットに対するトンプソンサンプリング (TS) アルゴリズムの遺残について検討する。最適な腕の過小評価を避けるために,新しいサンプリング分布を用いたトンプソンサンプリング(Expulli)を提案する。
論文参考訳（メタデータ） (2022-06-07T18:08:21Z)
Robust Learning of Optimal Auctions [84.13356290199603]
本研究では、入札者の評価値のサンプルを逆向きに破損させたり、逆向きに歪んだ分布から引き出すことができる場合に、サンプルから収益-最適マルチバイダオークションを学習する問題について検討する。我々は,コルモゴロフ-スミルノフ距離における元の分布に対して$alpha$-closeの「全ての真の分布」に対して,収入がほぼ同時に最適であるメカニズムを学習できる新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-07-13T17:37:21Z)
Relative Deviation Margin Bounds [55.22251993239944]
我々はRademacher複雑性の観点から、分布依存と一般家庭に有効な2種類の学習境界を与える。有限モーメントの仮定の下で、非有界な損失関数に対する分布依存的一般化境界を導出する。
論文参考訳（メタデータ） (2020-06-26T12:37:17Z)
Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。