論文の概要: Finite-Sample Coverage Audits for High-Recall Candidate Generation: Certification and Learning-Theoretic Design
- arxiv url: http://arxiv.org/abs/2607.21480v1
- Date: Thu, 23 Jul 2026 16:21:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.482516
- Title: Finite-Sample Coverage Audits for High-Recall Candidate Generation: Certification and Learning-Theoretic Design
- Title（参考訳）: ハイリコール候補生成のための有限サンプルカバーオーディット:認証と学習理論設計
- Abstract要約: 本研究は, 有限サンプル有効性を有する監査ラベルの証明に必要な数について検討し, この欠落した関連質量が小さいことを示す。
まず、候補集合の内部からラベルのみを使用する手順は、欠落した質量上の非自明な境界を証明できないことを示す。
近似よりも二項的・超幾何的逆転を用いた正確な有限サンプルツールキットを開発し,質量不足を証明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An initial high-recall stage in an empirical pipeline decides which items pass to later review, labelling, or modelling, and relevant items it misses are lost to every subsequent stage. We study how many audit labels are needed to certify, with finite-sample validity, that this missed relevant mass is small, and our main results characterise the label complexity of this problem. We first show that no procedure using only labels from inside the candidate set can certify any non-trivial bound on the missed mass: the audit must sample the excluded pool, the only region where unrecovered relevant items can lie. We then prove a matching finite-corpus lower bound. Any valid audit that certifies fewer than $m$ missed relevant items with high probability when none are present, even if adaptive and permitted to label the entire included pool, must inspect on the order of $N_0/m$ excluded-pool labels. Excluded-pool auditing is therefore minimax rate-optimal, not merely convenient, for missed-mass certification in the zero-miss regime. Building on this characterisation, we develop an exact finite-sample toolkit, using binomial and hypergeometric inversion rather than asymptotic approximation, that certifies missed mass, converts it to recall through a two-pool design, certifies pre-specified families of nested candidate generators simultaneously, and produces stress-test certificates against declared perturbation mechanisms. These certificates can be paired with observable review burden to select the least burdensome pre-specified candidate generator meeting a missed-mass target. Every guarantee holds under one discipline: the candidate generator, or the pre-specified family from which it is selected, and the audit rule are fixed before the certification labels are examined.
- Abstract（参考訳）: 経験的パイプラインの最初のハイリコールステージは、後続のレビュー、ラベル付け、モデリングに渡されるアイテムを決定する。
本研究は, 有限サンプルの検証に必要な監査ラベル数について検討し, 関連質量の欠落が小さいこと, この問題のラベルの複雑さを特徴付けるものであることを示した。
まず、候補セット内からラベルのみを使用する手順は、欠落したマス上の非自明なバウンドを認証できないことを示し、監査は、未発見のアイテムが嘘をつくことができる唯一の領域である除外されたプールをサンプリングしなければならない。
すると、一致する有限体下界を証明できる。
たとえアダプティブで全てのプールにラベルを付けることが許されたとしても、もし誰も存在しない場合に高い確率で、$m$未満の関連項目を認定する有効な監査は、$N_0/m$排除プールラベルの順序で検査しなければならない。
したがって、排他的プール監査は、ゼロミス体制におけるミスマス認証のために、単に便利なだけでなく、最小限のレート最適である。
この特徴付けに基づいて,無症状の質量を証明し,2プールの設計でリコールし,ネストした候補発生器の事前に特定された家系を同時に認証し,宣言された摂動機構に対するストレステスト証明を生成する,両項およびハイパージオメトリの逆変換を用いた,正確な有限サンプルツールキットを開発した。
これらの証明書は、観測可能なレビュー負担と組み合わせて、欠落した質量目標を満たす最も負担の少ない候補ジェネレータを選択することができる。
すべての保証は、候補ジェネレータ、または選択された事前特定された家族、および認証ラベルが検査される前に監査規則を定めている。
関連論文リスト
- Certifying Model Upgrades with Slice-Wise Non-Regression and Incumbent Fallback [2.8716825293247665]
本研究では,非回帰寛容性を考慮したチェックポイント選択について検討した。
提案手法では,候補探索を独立したペア評価から分離する再現可能なリリース手順を提案する。
共同リリース決定は、スライス数のボンフェロニのペナルティを必要としないが、スライス数によって認定能力は低下する可能性がある。
論文 参考訳（メタデータ） (2026-09-12T05:00:50Z) - NL-PAC: Specification Ambiguity and Certified Minimax Risk Floors in LLM-Mediated Supervision [0.9475982252982437]
固定モデルのしきい値付き復号法を用いて許容ラベルと候補ターゲットを定義するフレームワークであるNatural Language PACを紹介する。
凍結したQwen2.5--3B監査では、事前に特定されたプロンプトが正のモデル相対証明を出力し、パラフレーズと正確なルール制御がゼロになる。
論文 参考訳（メタデータ） (2026-07-09T21:53:00Z) - Unified Approach for Weakly Supervised Multicalibration [6.557328947642346]
マルチキャリブレーションでは、予測スコアは、豊富なサブグループのファミリーとスコアに依存したテストのラベル確率に一致するように要求される。
既存の手法では、評価と後処理のためにクリーンな入力ラベルペアが必要である。
弱い監督下での多重校正を推定・補正するための統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-05-11T01:30:09Z) - Toward Patch Robustness Certification and Detection for Deep Learning Systems Beyond Consistent Samples [3.914395669991103]
本稿では,新しいマスキングによる認証検出手法であるHiCertを提案する。
無矛盾で一貫したサンプルを含む、はるかに良質なサンプルを認定する。
警告を伴わず、偽のサイレント比を著しく下げることなく、これらの試料の精度を著しく向上させる。
論文 参考訳（メタデータ） (2025-12-05T20:02:09Z) - Rethinking Consistent Multi-Label Classification under Inexact Supervision [60.79309683889278]
部分的マルチラベル学習では、各インスタンスには候補ラベルセットがアノテートされ、そのうちいくつかのラベルのみが関連付けられている。
補完的なマルチラベル学習では、各インスタンスは、インスタンスが属さないクラスを示す補完ラベルで注釈付けされる。
論文 参考訳（メタデータ） (2025-10-05T08:30:32Z) - Probably Approximately Precision and Recall Learning [60.00180898830079]
機械学習における重要な課題は、一方的なフィードバックの頻度である。
本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。
我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
論文 参考訳（メタデータ） (2024-11-20T04:21:07Z) - The Decisive Power of Indecision: Low-Variance Risk-Limiting Audits and Election Contestation via Marginal Mark Recording [51.82772358241505]
リスクリミット監査(リスクリミット監査、RLA)は、大規模な選挙の結果を検証する技術である。
我々は、効率を改善し、統計力の進歩を提供する監査の新たなファミリーを定めている。
新しい監査は、複数の可能なマーク解釈を宣言できるように、キャストボイトレコードの標準概念を再考することで実現される。
論文 参考訳（メタデータ） (2024-02-09T16:23:54Z) - Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。
誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-18T09:09:52Z) - A Majority Invariant Approach to Patch Robustness Certification for Deep
Learning Models [2.6499018693213316]
MajorCertは、同じサンプル上の同じパッチ領域で操作可能なすべての可能なラベルセットを見つける。
それらの組み合わせを要素的に列挙し、これらの組み合わせの大多数の不変量がサンプルを認証するために無傷かどうかをチェックする。
論文 参考訳（メタデータ） (2023-08-01T11:05:13Z) - Towards Evading the Limits of Randomized Smoothing: A Theoretical
Analysis [74.85187027051879]
決定境界を複数の雑音分布で探索することにより,任意の精度で最適な証明を近似できることを示す。
この結果は、分類器固有の認証に関するさらなる研究を後押しし、ランダム化された平滑化が依然として調査に値することを示す。
論文 参考訳（メタデータ） (2022-06-03T17:48:54Z) - One Positive Label is Sufficient: Single-Positive Multi-Label Learning
with Label Enhancement [71.9401831465908]
本研究では,SPMLL (Single- positive multi-label learning) について検討した。
ラベルエンハンスメントを用いた単陽性MultIラベル学習という新しい手法を提案する。
ベンチマークデータセットの実験により,提案手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-06-01T14:26:30Z) - Learning with Proper Partial Labels [87.65718705642819]
部分ラベル学習は、不正確なラベルを持つ弱い教師付き学習の一種である。
この適切な部分ラベル学習フレームワークには,従来の部分ラベル学習設定が数多く含まれていることを示す。
次に、分類リスクの統一的非バイアス推定器を導出する。
論文 参考訳（メタデータ） (2021-12-23T01:37:03Z)
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。