Fugu-MT 論文翻訳(概要): Error Analysis of Neural-Network-Based Engression

論文の概要: Error Analysis of Neural-Network-Based Engression

arxiv url: http://arxiv.org/abs/2607.27723v1
Date: Thu, 30 Jul 2026 05:59:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-31 21:37:00.411499
Title: Error Analysis of Neural-Network-Based Engression
Title（参考訳）: ニューラルネットワークに基づくエンゲージメントの誤り解析
Abstract要約: 深層ニューラルネットワークで実装されたエングレスの理論的誤り解析を行う。余剰リスクを近似誤差、誤差、モンテカルロ誤差の3つの成分に分解する。
参考スコア（独自算出の注目度）: 5.242570791837989
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Engression (Shen and Meinshausen, 2024) learns a conditional distribution by fitting a generative model $Y = f(X,\varepsilon)$ under the energy score, a strictly proper scoring rule. We provide a theoretical error analysis of engression implemented with deep neural networks. We decompose the excess risk into three components: the approximation error, the stochastic error, and the Monte Carlo error. Based on this decomposition, we establish convergence rates under the assumption that the target conditional generator admits a compositional smoothness structure.
Abstract（参考訳）: Engression (Shen and Meinshausen, 2024) は、生成モデル $Y = f(X,\varepsilon)$ をエネルギースコアの下で適合させることで条件分布を学習する。深層ニューラルネットワークで実装されたエングレスの理論的誤り解析を行う。余剰リスクを近似誤差、確率誤差、モンテカルロ誤差の3つの成分に分解する。この分解に基づいて、対象条件生成器が構成的滑らか性構造を持つという仮定の下で収束率を確立する。

関連論文リスト

Generalization error bounds for two-layer neural networks with Lipschitz loss function [0.0]
損失関数の有界性を仮定することなく、2層ニューラルネットワークのトレーニングのための一般化誤差を導出する。我々の境界とその係数はモデルの訓練に先立って明示的に計算され、数値シミュレーションによって確認される。
論文参考訳（メタデータ） (2026-04-07T11:32:07Z)
Accuracy estimation of neural networks by extreme value theory [0.0]
ニューラルネットワークのエラー、すなわち、関数とニューラルネットワークの間の残りのバイアスを定量化する方法は明確ではない。本稿では,誤差の大きい値の定量化に極値理論を適用することを提案する。
論文参考訳（メタデータ） (2025-11-01T10:52:51Z)
A Pseudo-Semantic Loss for Autoregressive Models with Logical Constraints [87.08677547257733]
ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。また,スドクと最短経路予測の手法を自己回帰世代として評価した。
論文参考訳（メタデータ） (2023-12-06T20:58:07Z)
Error analysis for deep neural network approximations of parametric hyperbolic conservation laws [7.6146285961466]
本稿では,ReLUニューラルネットワークを用いて近似誤差を所望の程度小さくすることができることを示す。トレーニングエラー、トレーニングサンプル数、ニューラルネットワークサイズの観点から、一般化誤差の明示的な上限を提供する。
論文参考訳（メタデータ） (2022-07-15T09:21:09Z)
Learning Distributions by Generative Adversarial Networks: Approximation and Generalization [0.6768558752130311]
本研究では,これらのモデルの収束速度を解析することにより,有限サンプルから生成逆数ネットワークがいかによく学習するかを考察する。我々の分析は、GANの推定誤差を判別器とジェネレータの近似誤差に分解する新しい不等式オラクルに基づいている。生成元近似誤差に対して、ニューラルネットワークは、およそ低次元のソース分布を高次元のターゲット分布に変換することができることを示す。
論文参考訳（メタデータ） (2022-05-25T09:26:17Z)
Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文参考訳（メタデータ） (2022-02-02T20:11:33Z)
Predicting Unreliable Predictions by Shattering a Neural Network [145.3823991041987]
線形ニューラルネットワークは、サブファンクションに分割することができる。サブファンクションは、独自のアクティベーションパターン、ドメイン、経験的エラーを持っている。完全なネットワークに対する経験的エラーは、サブファンクションに対する期待として記述できる。
論文参考訳（メタデータ） (2021-06-15T18:34:41Z)
Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文参考訳（メタデータ） (2021-06-06T19:08:53Z)
Robust Implicit Networks via Non-Euclidean Contractions [63.91638306025768]
暗黙のニューラルネットワークは、精度の向上とメモリ消費の大幅な削減を示す。彼らは不利な姿勢と収束の不安定さに悩まされる。本論文は,ニューラルネットワークを高機能かつ頑健に設計するための新しい枠組みを提供する。
論文参考訳（メタデータ） (2021-06-06T18:05:02Z)
Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
論文参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。