論文の概要: Population-Robust Feature Selection via Generalized Welfare Optimization
- arxiv url: http://arxiv.org/abs/2608.02887v1
- Date: Mon, 03 Aug 2026 21:16:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:22.948849
- Title: Population-Robust Feature Selection via Generalized Welfare Optimization
- Title（参考訳）: 一般福祉最適化による人口特性選択
- Abstract要約: 人口差に頑健な共有デプロイ可能な機能セットを学習するPopFSを紹介する。
人口は6つの予測タスクから8つに分かれており、PopFSは一貫して高い平均と最悪の人口パフォーマンスを達成している。
- 参考スコア（独自算出の注目度）: 14.31847187460321
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Choosing which features to collect is a deployment decision: the same limited questionnaire, test panel, or sensor set may need to serve several heterogeneous populations. Standard feature-selection methods typically optimize for one large population, while existing robust approaches tend to learn one shared model for every population. We introduce PopFS, a method for learning one shared, deployable feature set that is robust to population differences while letting each pop- ulation train its own model. PopFS uses a tunable welfare objective that lets practitioners balance overall predictive ben- efit against stronger protection of the populations that benefit least. To make this objective practical at scale, PopFS first uses multitask sparse learning to reduce the candidate pool, then searches directly over hard feature sets by ranking promising additions and swaps and fully refitting only a shortlist. Across eight population splits from six prediction tasks drawn from five tabular and public-health datasets, PopFS consistently achieves strong average and worst-population performance while scaling to thousands of candidate features. A 43-state COVID-19 nowcasting study further shows that changing the welfare objective can improve the least-served states with lit- tle change in average performance and yields an interpretable change in the selected symptom signals. Our code is available at https://github.com/Rachel-Lyu/PopFS.
- Abstract（参考訳）: 同じ限定的なアンケート、テストパネル、センサーセットは、複数の異種集団に役立てる必要があるかもしれない。
標準的な特徴選択法は典型的には1つの人口に対して最適化されるが、既存の頑健なアプローチでは、すべての人口に対して1つの共有モデルを学ぶ傾向がある。
人口差に頑健な共有デプロイ可能な機能セットを学習するためのPopFSを導入し,各Pop-ulationを独自のモデルで学習する。
PopFSは、調整可能な福祉目標を使用して、実践者は、最も利益の少ない人口のより強い保護に対して、全体的な予測的ベンのバランスをとることができる。
この目的を大規模に実践するために、PopFSはまずマルチタスクスパース学習を使用して候補プールを減らす。
PopFSは、タブとパブリックヘルスの5つのデータセットから引き出された6つの予測タスクから8つの人口にまたがっている。
43状態のCOVID-19 nowcasting studyでは、福祉目的の変更は、平均的なパフォーマンスにおいて、照準変化の少ない状態を改善することができ、選択された症状信号の解釈可能な変化をもたらすことが示されている。
私たちのコードはhttps://github.com/Rachel-Lyu/PopFS.comで公開されています。
関連論文リスト
- Towards Scaling Reinforcement Learning to Massive Populations: Learning Mean-Field Representations [21.920988041622035]
大人口システムでは、ダイナミクスは個体の同一性よりも集団の集合的な要約に依存する。
平均場RLフレームワークを導入し、報酬と遷移のダイナミクスは未知の低次元集合統計量を通してのみ人口に依存する。
実生活におけるサプライチェーン最適化問題に動機付けられ,低次元の集団表現の学習が報酬予測を改善するという仮説を検証するために,一段階のルーティングゲームを設計する。
論文 参考訳（メタデータ） (2026-08-26T18:54:16Z) - Beyond Mode Collapse: Distribution Matching for Diverse Reasoning [69.88237286885065]
GRPOのようなオンライン強化学習手法はモード崩壊に悩まされる。
このことは、逆KL最小化のモード探索行動に由来することを示す。
KL最小化の原理的近似によりモード崩壊を防止するDMPOを提案する。
論文 参考訳（メタデータ） (2026-05-19T07:13:00Z) - Response Time Enhances Alignment with Heterogeneous Preferences [49.69696266152175]
簡易な二次信号で選好データセットを増大させることで、住民の平均選好の識別性を回復できることを示す。
私たちの結果は、将来的なデータ収集パイプラインに約束と新たな機会をもたらします。
論文 参考訳（メタデータ） (2026-05-07T22:05:23Z) - Diverse Prototypical Ensembles Improve Robustness to Subpopulation Shift [10.04893653044606]
サブポピュレーションシフトは、機械学習モデルの性能を著しく低下させる可能性がある。
本稿では,多様な分類器のアンサンブルを用いて,サブポピュレーションに関連するリスクを適応的に捉えることを提案する。
DPE(Diverse Prototypeal Ensembles)の手法は、しばしば、最悪のグループ精度で先行技術よりも優れている。
論文 参考訳（メタデータ） (2025-05-29T03:12:56Z) - MaxMin-RLHF: Alignment with Diverse Human Preferences [101.57443597426374]
Reinforcement Learning from Human Feedback (RLHF) は、言語モデルと人間の嗜好を一致させる。
予測最大化アルゴリズムを用いて嗜好分布の混合を学習し、人間の嗜好をよりよく表現する。
従来のRLHFアルゴリズムよりも16%以上の勝利率向上を実現している。
論文 参考訳（メタデータ） (2024-02-14T03:56:27Z) - Confidence-Based Model Selection: When to Take Shortcuts for
Subpopulation Shifts [119.22672589020394]
モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。
我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
論文 参考訳（メタデータ） (2023-06-19T18:48:15Z) - Stochastic Population Update Can Provably Be Helpful in Multi-Objective Evolutionary Algorithms [23.248796792928204]
多目的進化アルゴリズム(MOEA)における集団更新は重要な要素である
本稿では,MOEAの探索において,人口更新が有用であることを示す。
具体的には,二目的問題であるOneJumpZeroとBi-RoyalRoadの2つのMOEA(SMS-EMOAとNSGA-II)の予測実行時間を,決定論的集団更新機構をランダムに置き換えれば指数関数的に減少できることを示す。
論文 参考訳（メタデータ） (2023-06-05T05:54:56Z) - Learnable Behavior Control: Breaking Atari Human World Records via Sample-Efficient Behavior Selection [80.35510218548693]
本稿では,LBC(Learable Behavioral Control)と呼ばれるフレームワークを提案する。
我々のエージェントは10077.52%の平均正規化スコアを達成し、1Bのトレーニングフレーム内で24人の世界記録を突破した。
論文 参考訳（メタデータ） (2023-05-09T08:00:23Z) - Local Prediction Aggregation: A Frustratingly Easy Source-free Domain
Adaptation Method [39.31881646860522]
本稿では,単純だが効果的なソースフリードメイン適応(SFDA)法を提案する。
SFDAを教師なしクラスタリング問題として扱うことにより,予測一貫性の目標を最適化する。
SFDAにおける今後の研究のベースラインとして,本手法を採用することができる。
論文 参考訳（メタデータ） (2022-05-09T10:49:08Z) - Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。
さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。
真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。
本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文 参考訳（メタデータ） (2021-03-16T15:05:49Z)
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。