Fugu-MT 論文翻訳(概要): Fundamental limits of distributed multiclass classification from simple binary decisions

論文の概要: Fundamental limits of distributed multiclass classification from simple binary decisions

arxiv url: http://arxiv.org/abs/2607.19334v1
Date: Tue, 21 Jul 2026 17:53:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-22 19:05:05.522976
Title: Fundamental limits of distributed multiclass classification from simple binary decisions
Title（参考訳）: 単純二項決定による分散多クラス分類の基本的限界
Abstract要約: 対応する二項分類器が超平面であるとき、そのような分類器の基本的な性能限界について検討する。 K$ 級中心が $mathbb Rd$ の独立ガウス点であり、観測がガウスノイズによって損なわれるような形式化されたガウス的設定に対しては、いくつかの復号化および次元的レジームの明示的なパフォーマンス境界を導出する。
参考スコア（独自算出の注目度）: 5.668668551176212
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of constructing a $K$-class classifier from the combination of $O(\log K)$ simple binary classifiers -- this is a natural paradigm to construct a sophisticated classifier in a distributed manner with each agent performing a relatively straightforward task. We study the fundamental performance limits of such a classifier when the corresponding binary classifiers are hyperplanes. For a stylized Gaussian setting where the $K$ class centers are independent Gaussian points in $\mathbb R^d$ and the observations are corrupted by Gaussian noise, we derive explicit performance bounds across several decoding and dimensional regimes. Extensive simulation experiments provide strong empirical validation of the presented theoretical results.
Abstract（参考訳）: 我々は、$O(\log K)$単純なバイナリ分類器の組み合わせから$K$クラス分類器を構築するという問題を考える。対応する二項分類器が超平面であるとき、そのような分類器の基本的な性能限界について検討する。 K$ 級中心が $\mathbb R^d$ の独立ガウス点であり、観測がガウスノイズによって損なわれるような形式化されたガウス的設定に対しては、いくつかの復号化および次元的レジームの明示的なパフォーマンス境界を導出する。大規模なシミュレーション実験は、提示された理論結果の強い実証的検証を提供する。

関連論文リスト

Analytical study of the optimal combination of binary classifiers based on classifiers-induced partitioning of the training set [0.0]
本稿では、真理表によるデータセットの論理構造に基づく二項分類器の最適線形結合について検討する。指数(Boost)とロジスティック(Logit)の損失関数を用いた最適重量に対する明示的な解析式を導出する。得られた分類器の安定性とデータ品質の分析は、$$$-frontiersの概念を導入することによって評価できる。
論文参考訳（メタデータ） (2026-07-16T12:06:11Z)
The Sample Complexity of Multiclass and Sparse Contextual Bandits [106.74652380822778]
我々は,包括的フィードバックに基づいて,与えられたクラスからほぼ最適なポリシーを特定することを目的とする。ゼロ・ワンの報酬を伴うバンド型マルチクラス分類に動機付けられ、emph$s$-sparse設定に焦点をあてる。我々は、$s$-sparseの報酬で、誘導モデルクラスは、$s$でスケールするシャープなDEC境界を認め、直接最適なレートを得ることを示す。
論文参考訳（メタデータ） (2026-05-28T09:12:20Z)
$V_1$: Unifying Generation and Self-Verification for Parallel Reasoners [69.66089681814013]
$V_$は、効率的なペアワイドランキングを通じて生成と検証を統合するフレームワークである。 V_$-Inferはポイントワイド検証でPass@1を最大10%改善する。 V_$-PairRLは、標準のRLとポイントワイドのジョイントトレーニングよりも、テストタイムのスケーリングが7ドル--9%で向上する。
論文参考訳（メタデータ） (2026-03-04T17:22:16Z)
Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
論文参考訳（メタデータ） (2026-02-05T14:16:47Z)
Multiple Classifiers Based Maximum Classifier Discrepancy for Unsupervised Domain Adaptation [25.114533037440896]
本稿では、2つの分類器の構造を複数の分類器に拡張し、その性能をさらに向上することを提案する。平均的に、3つの分類器の構造を採用すると、精度と効率のトレードオフとして最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-02T03:00:13Z)
The Interplay between Distribution Parameters and the Accuracy-Robustness Tradeoff in Classification [0.0]
アドリラルトレーニングは、通常のモデルに比べて自然(未成熟)の例では正確でないモデルをもたらす傾向にある。これは、アルゴリズムの欠点か、トレーニングデータ分散の基本的な性質によるものとみなすことができる。本研究では,二進ガウス混合分類問題の下で後者のケースに焦点をあてる。
論文参考訳（メタデータ） (2021-07-01T06:57:50Z)
Learning Gaussian Mixtures with Generalised Linear Models: Precise Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。実験的リスク最小化による高次元推定器の精度を実証する。合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文参考訳（メタデータ） (2021-06-07T16:53:56Z)
SetConv: A New Approach for Learning from Imbalanced Data [29.366843553056594]
集合畳み込み操作とエピソード学習戦略を提案し,各クラスに1つの代表を抽出する。提案アルゴリズムは入力順序に関わらず置換不変であることを示す。
論文参考訳（メタデータ） (2021-04-03T22:33:30Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)
Consistency Regularization for Certified Robustness of Smoothed Classifiers [89.72878906950208]
最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
論文参考訳（メタデータ） (2020-06-07T06:57:43Z)
Distributionally Robust Weighted $k$-Nearest Neighbors [21.537952410507483]
少数のサンプルから堅牢な分類器を学ぶことは、マシンラーニングにおける重要な課題である。本稿では, 重み付き$k$-アネレスト近傍のミニマックス分布に頑健な定式化について検討する。我々は,この関数最適化問題を効率的に解くアルゴリズムである textttDr.k-NN を開発した。
論文参考訳（メタデータ） (2020-06-07T00:34:33Z)

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。