論文の概要: The price of multi-group transductive learning

• arxiv url: http://arxiv.org/abs/2606.04423v1
• Date: Wed, 03 Jun 2026 04:07:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.530076
• Title: The price of multi-group transductive learning
• Title（参考訳）: 多群トランスダクティブ学習の価格
• Authors: Noah Bergam, Samuel Deng, Daniel Hsu,
• Abstract要約: 単群設定における誤り率に対する誤差率の乗算的ペナルティを生じる可能性があることを, トランスダクティブ・セッティングにおける多群学習者が示している。 これは、類似(グループ実現可能な)統計的設定における最適多群学習者とは対照的である。
• 参考スコア（独自算出の注目度）: 8.394817466667677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We show every multi-group learner in the transductive setting may incur a multiplicative penalty in its error rate on some group relative to the error rate achievable in the single-group setting, and the penalty can increasing linearly with the number of groups, up to roughly the square-root of the sample size. This stands in stark contrast to optimal multi-group learners in an analogous (group-realizable) statistical setting, where the penalty is always at most logarithmic in the sample size and independent of the number of groups.
• Abstract（参考訳）: 帰納的設定における多群学習者は、単群設定において達成可能な誤差率に対して、ある群における誤差率の乗算的ペナルティを生じる可能性を示し、そのペナルティは、サンプルサイズの約2乗根まで、グループ数と直線的に増加することを示した。 これは、サンプルサイズにおいてペナルティは常に対数的であり、グループ数に依存しない類似の(グループ実現可能な)統計的設定における最適多群学習者とは対照的である。

関連論文リスト

• The generalized underlap coefficient with an application in clustering [2.140305355990306]
  アンダーラップ係数 (UNL) は多群分離測度である。 我々はUNLの重要な特性を確立し、全変動に対する明示的な接続を提供する。 実世界の2つのデータセットを用いたクラスタリングにおけるUNLの適用について説明する。
  論文  参考訳（メタデータ） (2026-02-23T03:35:08Z)
• GroupCoOp: Group-robust Fine-tuning via Group Prompt Learning [57.888537648437115]
  Group Context Optimization (GroupCoOp) は、単純で効果的な微調整アルゴリズムである。 微調整視覚言語モデル(VLM)の群ロバスト性を高める GroupCoOpは、5つのCLIPアーキテクチャにわたる5つのベンチマークで最高の結果を得た。
  論文  参考訳（メタデータ） (2025-09-28T09:54:30Z)
• An active learning framework for multi-group mean estimation [11.799152724436999]
  未知のデータ分布を持つ複数のグループを対象とした基礎学習問題について検討する。 本稿では, 分散推定値に拘束される上限値に基づいて群を逐次選択するアルゴリズム, Variance-UCBを提案する。
  論文  参考訳（メタデータ） (2025-05-20T20:13:04Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• The non-overlapping statistical approximation to overlapping group lasso [4.197110761923662]
  重なり合う群ラスソペナルティの近似として分離可能なペナルティを提案する。 この分離性により, ペナルティに基づく正規化の計算は, 重なり合う群ラッソの計算よりもかなり高速である。 提案した分離性ペナルティに基づく推定値は,重なり合うグループラッソペナルティに基づく推定値と統計的に等価であることを示す。
  論文  参考訳（メタデータ） (2022-11-16T21:21:41Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Improved Group Robustness via Classifier Retraining on Independent Splits [6.930560177764658]
  群分布的ロバスト最適化は、強力な最悪群性能を持つ学習モデルのベースラインとして広く使われている。 本稿では,トレーニングデータの独立分割に基づくリトレーニングのアイデアに基づいて,簡単な手法を設計する。 新たなサンプル分割手法を用いることで、微調整工程において、ロバストな最悪のグループ性能が得られることが判明した。
  論文  参考訳（メタデータ） (2022-04-20T16:22:27Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)

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。