論文の概要: Adaptive Bayesian Online Learning via Expert Aggregation

• arxiv url: http://arxiv.org/abs/2607.20239v1
• Date: Wed, 22 Jul 2026 14:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.120046
• Title: Adaptive Bayesian Online Learning via Expert Aggregation
• Title（参考訳）: エキスパートアグリゲーションによる適応ベイズオンライン学習
• Authors: Jungbin Jun, Ilsang Ohn,
• Abstract要約: オンライン共形推論とガウス過程回帰におけるフレームワークのインスタンス化を行う。 実験によると、アグリゲートはオラクルの専門家の選択なしで強力な専門家を追跡する。
• 参考スコア（独自算出の注目度）: 1.8620637029128548
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bayesian online learning promises uncertainty-aware prediction on data streams, but its performance hinges on inferential choices, including learning rates, prior distributions and variational families, which are usually fixed before seeing the stream. We address this by treating Bayesian update rules as experts and aggregating the Bayesian experts according to sequential predictive losses. We prove that the resulting aggregate competes with the best expert in hindsight at an aggregation cost determined by how each expert's per-round performance is evaluated. We instantiate the framework in online conformal inference and Gaussian process regression. The conformal inference application yields a smoothed Bayesian counterpart of adaptive conformal inference with long-run randomized coverage, while the Gaussian process application gives an oracle inequality in cumulative predictive Kullback-Leibler risk and adaptation to unknown Hölder smoothness up to logarithmic factors. Experiments show that the aggregate tracks strong experts without oracle expert selection.
• Abstract（参考訳）: Bayesianのオンライン学習は、データストリームに対する不確実性を認識した予測を約束するが、そのパフォーマンスは、学習率、事前分布、ストリームを見る前に通常固定される変動家族など、推論上の選択に依存している。 ベイジアン更新ルールを専門家として扱い、連続的な予測損失に応じてベイジアン専門家を集約することで、この問題に対処する。 得られた集計結果が、各専門家のラウンドごとのパフォーマンスの評価方法によって決定される集約コストにおいて、最も優れた専門家と競合することを示す。 オンライン共形推論とガウス過程回帰におけるフレームワークのインスタンス化を行う。 共形推論の応用は、長期のランダム化カバレッジを持つ適応的共形推論の滑らかなベイズ予想を導出する一方、ガウス過程の応用は累積予測的クルバック・リーブルリスクのオラクル不等式と未知のヘルダー滑らか度への対数的因子への適応を与える。 実験によると、アグリゲートはオラクルの専門家の選択なしで強力な専門家を追跡する。

関連論文リスト

• Learning-Augmented Ski Rental with Discrete Distributions: A Bayesian Approach [4.702729080310267]
  時間的地平線上で正確な後続分布を維持する離散ベイズ的枠組みを提案する。 提案アルゴリズムは、事前依存した競合保証を達成し、最悪のケースと完全なインフォームド設定を優雅に補間する。 このフレームワークは、自然に複数の予測、一様でない事前情報、文脈情報を組み込むように拡張されている。
  論文  参考訳（メタデータ） (2025-12-08T08:56:25Z)
• Online Policy Learning via a Self-Normalized Maximal Inequality [4.906641452356241]
  マルティンゲール経験過程における自己正規化最大不等式を開発した。 逐次更新と標準複雑性とマージン条件で組み合わせると、推定器は高速収束率が得られることを示す。
  論文  参考訳（メタデータ） (2025-10-17T09:53:42Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Uncertainty Voting Ensemble for Imbalanced Deep Regression [20.176217123752465]
  本稿では,不均衡なデータから学習するUVOTEを紹介する。 従来の回帰損失を負の対数類似度に置き換え、サンプルワイドのアレタリックな不確実性も予測する。 UVOTEは先行技術より一貫して優れており、同時に精度のよい不確実性評価が得られている。
  論文  参考訳（メタデータ） (2023-05-24T14:12:21Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• On Covariate Shift of Latent Confounders in Imitation and Reinforcement Learning [69.48387059607387]
  模擬・強化学習において,未観測の共同設立者と専門家データを併用することの問題点を考察する。 我々は、外部報酬を伴わずに、確立した専門家データから学ぶことの限界を分析する。 我々は,支援医療とレコメンデーションシステムシミュレーションの課題に挑戦する上で,我々の主張を実証的に検証する。
  論文  参考訳（メタデータ） (2021-10-13T07:31:31Z)
• Beyond the Mean-Field: Structured Deep Gaussian Processes Improve the Predictive Uncertainties [12.068153197381575]
  高速収束を達成しつつ、潜在過程間の共分散を維持できる新しい変分族を提案する。 新しいアプローチの効率的な実装を提供し、それをいくつかのベンチマークデータセットに適用します。 優れた結果をもたらし、最先端の代替品よりも精度とキャリブレーションされた不確実性推定とのバランスが良くなる。
  論文  参考訳（メタデータ） (2020-05-22T11:10:59Z)

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。