論文の概要: Learning-Augmented Algorithms: Guarantees, Construction Mechanisms, and System-Level Implications

• arxiv url: http://arxiv.org/abs/2609.04787v2
• Date: Mon, 07 Sep 2026 02:49:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:42.007987
• Title: Learning-Augmented Algorithms: Guarantees, Construction Mechanisms, and System-Level Implications
• Title（参考訳）: 学習強化アルゴリズム:保証、構築メカニズム、システムレベル含意
• Authors: Hailiang Zhao, Xueyan Tang, Peng Chen, Zenong Ye, Tianjun Zhu, Jianwei Yin, Shuiguang Deng,
• Abstract要約: 学習強化アルゴリズムは、フォーマルなパフォーマンス保証を維持しながら、誤予測を使用する。 本研究は, 予測誤差測定, 整合性のトレードオフ, および5つの代表的な構成機構を合成する。
• 参考スコア（独自算出の注目度）: 36.362057717354524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning-augmented algorithms use fallible predictions while retaining formal performance guarantees. This survey synthesizes prediction interfaces, error measures, consistency--robustness trade-offs, and five representative construction mechanisms across online optimization, caching, learned data structures, graph problems, and mechanism design. An orthogonal theorem-level axis distinguishes achieved upper bounds from matched asymptotic dependence. Formal guarantees are separated from empirical systems evidence, with explicit treatment of prediction cost, feedback, and composition. The resulting synthesis states sufficient conditions for limited end-to-end reasoning and delineates open problems in cost-aware prediction, endogenous error, semantic predictors, and benchmarking.
• Abstract（参考訳）: 学習強化アルゴリズムは、フォーマルなパフォーマンス保証を維持しながら、誤予測を使用する。 本調査では, オンライン最適化, キャッシュ, 学習データ構造, グラフ問題, メカニズム設計において, 予測インターフェース, エラー対策, 整合性のトレードオフ, 5つの代表的な構成機構を合成する。 直交定理レベルの軸は、達成された上界と一致した漸近的依存を区別する。 形式的な保証は、予測コスト、フィードバック、構成を明確に扱いながら、経験的なシステム証拠から分離される。 結果の合成では、エンド・ツー・エンドの推論に十分な条件が記述され、コスト・アウェア・予測、内在的エラー、セマンティック・予測器、ベンチマークにおけるオープンな問題を列挙する。

関連論文リスト

• Causal-INSIGHT: Probing Temporal Models to Extract Causal Structure [4.718641165826564]
  Causal-INSIGHTは、訓練された時間的予測器からモデル実装された(予測者に依存しない)時間的な影響構造を抽出するためのモデルに依存しない、ポストホックな解釈フレームワークである。 提案するQbicは,地平線グラフラベルを必要とせずに,予測忠実度と構造的複雑さのバランスをとる,空間性を考慮したグラフ選択基準である。
  論文  参考訳（メタデータ） (2026-03-26T14:16:37Z)
• Mechanisms vs. Outcomes: Probing for Syntax Fails to Explain Performance on Targeted Syntactic Evaluations [31.54093034816165]
  大規模言語モデル(LLM)は、テキストの処理と生成において、構文の堅牢な熟達を示す。 モデルの探索精度が下流の構文的性能を確実に予測するかどうかについては、網羅的な研究はまだ確定していない。
  論文  参考訳（メタデータ） (2025-06-20T01:46:50Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Parsimonious Inference [0.0]
  parsimonious inferenceは任意のアーキテクチャ上の推論の情報理論的な定式化である。 提案手法は,効率的な符号化と巧妙なサンプリング戦略を組み合わせて,クロスバリデーションを伴わない予測アンサンブルを構築する。
  論文  参考訳（メタデータ） (2021-03-03T04:13:14Z)
• Learning Output Embeddings in Structured Prediction [73.99064151691597]
  構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。 原空間における予測は、前像問題の解法により計算される。 本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
  論文  参考訳（メタデータ） (2020-07-29T09:32:53Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)

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。