論文の概要: Exact Rank and Convex Calibration Dimension Lower Bounds for the Multi-Label F1 Loss

• arxiv url: http://arxiv.org/abs/2608.08399v1
• Date: Sun, 09 Aug 2026 01:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.801959
• Title: Exact Rank and Convex Calibration Dimension Lower Bounds for the Multi-Label F1 Loss
• Title（参考訳）: マルチラベルF1損失に対する厳格なランクと凸校正寸法下界
• Abstract要約: 我々は、$F_$のベイズ幾何学を直接解析する。 対応するアクティブな損失列は、証人サポートに限定され、アフィン次元が$hn$であることを示します。 凸次元のキャリブレーションのために実現可能な部分空間の下限を適用すると、[演算子nameCCdim(LF_) ge left(frac23sqrt3-o(1)right.] 二次上界と共に$operatornameCCdim(LF_)=が成立する。
• 参考スコア（独自算出の注目度）: 12.752262012085419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The instance-wise $F_1$ measure is a central performance measure for multi-label classification. For a problem with $s$ labels, it defines a $2^s\times 2^s$ loss matrix. Previous work exhibited $s^2+1$-coordinate affine and shifted low-rank representations and used them to construct quadratic-dimensional convex calibrated surrogates. We determine the exact rank. Under the convention $F_1(\varnothing,\varnothing)=1$, the $F_1$ score matrix, the shifted loss matrix, and the unshifted loss matrix all have rank $s^2-s+2$, while the column-affine dimension of the loss is $s^2-s+1$. The proof factors the nonempty score matrix through subset-incidence matrices and a positive-definite Cauchy matrix. Exact rank does not, by itself, lower-bound the dimension of an arbitrary convex calibrated surrogate. We therefore analyze the Bayes geometry of $F_1$ directly. We construct a distribution for which precisely all supersets of a fixed core label set are Bayes optimal, and show that the corresponding active loss columns, restricted to the witness support, have affine dimension $hn$, where $n=s-\lfloor s/3\rfloor$ and $h=\lceil(s\lfloor s/3\rfloor)^{1/2}\rceil-1$. Applying the feasible-subspace lower bound for convex calibration dimension gives \[ \operatorname{CCdim}(L^{F_1}) \ge \left(\frac{2}{3\sqrt{3}}-o(1)\right)s^2. \] Together with the quadratic upper bound, this establishes $\operatorname{CCdim}(L^{F_1})=Θ(s^2)$.
• Abstract（参考訳）: インスタンス単位の$F_1$は、マルチラベル分類における中心的なパフォーマンス尺度である。 ラベルの$s$の問題に対して、2^s\times 2^s$損失行列を定義する。 以前の研究は、$s^2+1$-coordinate affineを示し、低ランク表現をシフトさせ、2次元凸校正サロゲートの構築に利用した。 私たちは正確なランクを決めます。 F_1(\varnothing,\varnothing)=1$、$F_1$スコア行列、シフトした損失行列、および非シフトした損失行列はすべて階数$s^2-s+2$を持ち、損失のカラムアフィン次元は$s^2-s+1$である。 この証明は、部分集合入射行列と正定定値コーシー行列を介して非空スコア行列を決定する。 厳密な階数はそれ自体、任意の凸キャリブレーションされたサロゲートの次元を下界にしない。 したがって、ベイズ幾何学の$F_1$を直接解析する。 固定コアラベル集合のすべてのスーパーセットがベイズ最適である分布を構築し、対応するアクティブな損失列が証人サポートに制限され、アフィン次元が$hn$であり、$n=s-\lfloor s/3\rfloor$と$h=\lceil(s\lfloor s/3\rfloor)^{1/2}\rceil-1$であることを示す。 凸キャリブレーション次元に対して実現可能な部分空間の下界を適用すると、 \[ \operatorname{CCdim}(L^{F_1}) \ge \left(\frac{2}{3\sqrt{3}}-o(1)\right)s^2 が得られる。 \] 二次上界と共に、$\operatorname{CCdim}(L^{F_1})=\(s^2)$ が成立する。

関連論文リスト

• Exponential Convex Calibration Dimension for the Multi-Label Jaccard Measure [12.752262012085419]
  ジャカードスコア,シフトロス,通常の損失行列は非特異であり,損失列のアフィン次元が2s-1$であることを証明する。 また、2次元近似保証を明示的な後悔の伝達で与える。
  論文  参考訳（メタデータ） (2026-08-13T17:59:17Z)
• Costs of Arbitrary Real Matrix Factorizations for Pure-DP Continual Counting [0.9023847175654603]
  c_mathrmF(T_n),c_2(T_n)=(log(n+1)3/2)$を符号、空間性、正方性制限なしで証明する。 純粋な$varepsilon$-DP行列力学クラスでは、最適化された最大誤差と平均二乗誤差の両方が$(varepsilon-2log3(n+1))$である。
  論文  参考訳（メタデータ） (2026-07-30T14:41:34Z)
• Phase Transition in Convex Relaxations for Graph Alignment [6.515592049126884]
  相関したガウス直交アンサンブル(GOE)行列に対するグラフアライメント問題について検討する。 我々の結果は、$|Xstar-star|_F2$ が $= tildeo(n-1/2)$ から $= tilde(n-1/2)$ への遷移を正確に特徴づけている。
  論文  参考訳（メタデータ） (2026-06-14T03:47:45Z)
• Optimal Scalar Quantization for Matrix Multiplication: Closed-Form Density and Phase Transition [50.36362492608702]
  乗算前の2つの行列のエントリーワイズスカラー量子化について検討した。 我々は、閉形式の最適点密度 [ star(u) propto exp!left(-fracu26right)bigl( (1-2)+2u22bigr), qquad u=fracx_X を求め、相関駆動相転移を証明した。
  論文  参考訳（メタデータ） (2026-03-20T01:53:44Z)
• Equality condition for a matrix inequality by partial transpose [4.115763274264731]
  部分変換によって生成される行列不等式に対する等式条件について検討する。 sumK_j=1 A_j otimes B_j$ は局所的にエレガントなブロック対角形式に等しいことを示す。
  論文  参考訳（メタデータ） (2025-08-26T03:42:46Z)
• The Communication Complexity of Approximating Matrix Rank [50.6867896228563]
  この問題は通信複雑性のランダム化を$Omega(frac1kcdot n2log|mathbbF|)$とする。 アプリケーションとして、$k$パスを持つ任意のストリーミングアルゴリズムに対して、$Omega(frac1kcdot n2log|mathbbF|)$スペースローバウンドを得る。
  論文  参考訳（メタデータ） (2024-10-26T06:21:42Z)
• Efficient $1$-bit tensor approximations [1.104960878651584]
  我々のアルゴリズムは、20ドルの擬似符号で効率よく符号付きカット分解を行う。 オープンテキストMistral-7B-v0.1大言語モデルの重み行列を50%の空間圧縮に近似する。
  論文  参考訳（メタデータ） (2024-10-02T17:56:32Z)
• Optimal Sketching for Residual Error Estimation for Matrix and Vector Norms [50.15964512954274]
  線形スケッチを用いた行列とベクトルノルムの残差誤差推定問題について検討する。 これは、前作とほぼ同じスケッチサイズと精度で、経験的にかなり有利であることを示す。 また、スパースリカバリ問題に対して$Omega(k2/pn1-2/p)$低いバウンダリを示し、これは$mathrmpoly(log n)$ factorまで厳密である。
  論文  参考訳（メタデータ） (2024-08-16T02:33:07Z)
• Constant matters: Fine-grained Complexity of Differentially Private Continual Observation [10.624505781812385]
  連続的な観測をカウントするための差分プライベートアルゴリズムに対するきめ細かい誤差境界について検討する。 我々は連続観察下で様々な問題に対して具体的な誤差境界を初めて与えている。
  論文  参考訳（メタデータ） (2022-02-23T11:50:20Z)
• Low-Rank Approximation with $1/\epsilon^{1/3}$ Matrix-Vector Products [58.05771390012827]
  我々は、任意のSchatten-$p$ノルムの下で、低ランク近似のためのクリロフ部分空間に基づく反復法について研究する。 我々の主な成果は、$tildeO(k/sqrtepsilon)$ matrix-vector productのみを使用するアルゴリズムである。
  論文  参考訳（メタデータ） (2022-02-10T16:10:41Z)
• Spectral properties of sample covariance matrices arising from random matrices with independent non identically distributed columns [50.053491972003656]
  関数 $texttr(AR(z))$, for $R(z) = (frac1nXXT- zI_p)-1$ and $Ain mathcal M_p$ deterministic, have a standard deviation of order $O(|A|_* / sqrt n)$. ここでは、$|mathbb E[R(z)] - tilde R(z)|_F を示す。
  論文  参考訳（メタデータ） (2021-09-06T14:21:43Z)
• On the computational and statistical complexity of over-parameterized matrix sensing [30.785670369640872]
  FGD法(Factorized Gradient Descend)を用いた低ランク行列検出の解法を検討する。 分解行列 $mathbff$ を分離列空間に分解することにより、$|mathbff_t - mathbff_t - mathbfx*|_f2$ が統計誤差に収束することを示す。
  論文  参考訳（メタデータ） (2021-01-27T04:23:49Z)
• The Average-Case Time Complexity of Certifying the Restricted Isometry Property [66.65353643599899]
  圧縮センシングにおいて、100万倍のN$センシング行列上の制限等尺性(RIP)はスパースベクトルの効率的な再構成を保証する。 Mtimes N$ matrices with i.d.$mathcalN(0,1/M)$ entry。
  論文  参考訳（メタデータ） (2020-05-22T16:55:01Z)

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。