論文の概要: Algorithmic stability via ensembling

• arxiv url: http://arxiv.org/abs/2609.10428v1
• Date: Wed, 09 Sep 2026 16:39:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.114261
• Title: Algorithmic stability via ensembling
• Title（参考訳）: アンサンブルによるアルゴリズムの安定性
• Abstract要約: アルゴリズム安定性とは、入力データの摂動に敏感なアルゴリズムの特性を指す。 我々は、平均化によって定義されたどんなアンサンブル戦略でも、あらゆる種類のデータ摂動に対する安定性の保証が得られる程度を定量化するための一般的なフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 4.404496835736175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic stability refers to the property of an algorithm being insensitive to perturbations of the input data, where the type of perturbation may vary depending on the setting. In this work, we develop a general framework to quantify the extent to which any ensembling strategy defined via averaging can yield stability guarantees for any type of data perturbation. Our main theoretical result is a guarantee on the stability of this ensembled algorithm, given in terms of the norm of a certain covariance operator that describes the ensembling process. We show how our general framework yields interpretable and intuitive insights in several examples of perturbations of practical interest, and provides much sharper guarantees than those obtained from privacy considerations.
• Abstract（参考訳）: アルゴリズム安定性とは、入力データの摂動に敏感なアルゴリズムの特性を指す。 本研究では,任意のデータ摂動に対して,平均化によって定義されたアンサンブル戦略が安定性を保証できる程度を定量化するための一般的なフレームワークを開発する。 我々の主要な理論的結果は、このアンサンブルされたアルゴリズムの安定性の保証であり、アンサンブル過程を記述するある種の共分散作用素のノルムによって与えられる。 本稿では、我々の一般的な枠組みが、実践的関心の摂動のいくつかの例において、解釈可能かつ直感的な洞察をいかに得ているかを示し、プライバシーの観点から得られるものよりもはるかに高い保証を提供する。

関連論文リスト

• Shuffling Heuristic in Variational Inequalities: Establishing New Convergence Guarantees [42.99716861039235]
  シャッフル戦略は変分不等式問題を解決するのに有効であることを示す。 この文脈におけるシャッフル法に対する最初の理論的収束推定を提供する。 多様なベンチマーク変動不等式問題に関する広範な実験により,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2025-09-04T12:00:18Z)
• Is Algorithmic Stability Testable? A Unified Framework under Computational Constraints [5.68594452139461]
  ブラックボックスアルゴリズムの安定性をテストすることは、データが数えきれないほど無限の空間にあるような環境では不可能であることを示す。 アルゴリズム安定性テストの難易度を定量化するための統一的なフレームワークを開発し,全ての設定において,利用可能なデータが制限されている場合,網羅的探索がアルゴリズム安定性を証明するための唯一の普遍的なメカニズムであることを示す。
  論文  参考訳（メタデータ） (2024-05-23T23:51:25Z)
• FastPart: Over-Parameterized Stochastic Gradient Descent for Sparse optimisation on Measures [3.377298662011438]
  本稿では,コニックパーティクルグラディエントDescent(CPGD)のスケーラビリティを高めるために,ランダム特徴と協調してグラディエントDescent戦略を利用する新しいアルゴリズムを提案する。 以下の重要な結果を示す厳密な数学的証明を提供する: $mathrm(i)$ 降下軌道に沿った解測度の総変動ノルムは有界であり、安定性を確保し、望ましくない発散を防ぐ。$mathrm(ii)$ 収束率$O(log(K)/sqrtK)$$$$$K以上の大域収束保証を確立する。
  論文  参考訳（メタデータ） (2023-12-10T20:41:43Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Stability and Generalization of the Decentralized Stochastic Gradient Descent Ascent Algorithm [80.94861441583275]
  本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。 本研究は,D-SGDAの一般化における各因子の影響を解析した。 また、最適凸凹設定を得るために一般化とバランスをとる。
  論文  参考訳（メタデータ） (2023-10-31T11:27:01Z)
• Stability and Generalization of Stochastic Compositional Gradient Descent Algorithms [61.59448949684493]
  学習例から構築した合成降下アルゴリズムの安定性と一般化解析について述べる。 SCGD と SCSC という2つの一般的な合成勾配勾配勾配アルゴリズムの均一安定性について検討した。 SCGD と SCSC の非依存的過剰リスク境界は,安定性結果と最適化誤差をトレードオフすることによって導出する。
  論文  参考訳（メタデータ） (2023-07-07T02:40:09Z)
• Distributed Stochastic Optimization under a General Variance Condition [13.911633636387059]
  分散最適化は最近、大規模な機械学習問題の解決に効果があるとして、大きな注目を集めている。 我々は、古典的フェデレーション平均化(Avg)を再考し、滑らかな非対象関数に対して、緩やかな分散しか持たない収束結果を確立する。 ほぼ1つの定常収束点も勾配条件の下で成立する。
  論文  参考訳（メタデータ） (2023-01-30T05:48:09Z)
• Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
  AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。 本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
  論文  参考訳（メタデータ） (2022-09-27T09:06:37Z)
• Instance-Dependent Confidence and Early Stopping for Reinforcement Learning [99.57168572237421]
  強化学習(RL)のための様々なアルゴリズムは、その収束率の劇的な変動を問題構造の関数として示している。 この研究は、観察されたパフォーマンスの違いについて、textitexを説明する保証を提供する。 次の自然なステップは、これらの理論的保証を実際に有用なガイドラインに変換することです。
  論文  参考訳（メタデータ） (2022-01-21T04:25:35Z)
• Black box tests for algorithmic stability [10.495496415022064]
  アルゴリズムの安定性特性を知ることは、多くの下流アプリケーションにとってしばしば有用である。 現在使われている多くの現代的なアルゴリズムは、その安定性の理論的解析には複雑すぎる。
  論文  参考訳（メタデータ） (2021-11-30T16:36:58Z)
• Stability Analysis of Unfolded WMMSE for Power Allocation [80.71751088398209]
  電力割り当ては、無線ネットワークにおける基本的な問題の1つである。 これらのアルゴリズムの出力電力配分は入力摂動に関して安定であることが不可欠である。 本稿では,グラフニューラルネットワークを利用した最新のアルゴリズムであるUWMMSEに着目した。
  論文  参考訳（メタデータ） (2021-10-14T15:44:19Z)
• Algorithmic Stability and Generalization of an Unsupervised Feature Selection Algorithm [20.564573628659918]
  アルゴリズム安定性は、入力サンプルの摂動に対する感度に関するアルゴリズムの重要な特徴である。 本稿では,この安定性を保証可能な保証で実現した,革新的な教師なし特徴選択アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-19T12:25:39Z)
• Stable and consistent density-based clustering via multiparameter persistence [49.1574468325115]
  トポロジカルデータ解析による次数-リップス構成について考察する。 我々は,入力データの摂動に対する安定性を,通信間距離を用いて解析する。 私たちはこれらのメソッドを、Persistableと呼ばれる密度ベースのクラスタリングのためのパイプラインに統合します。
  論文  参考訳（メタデータ） (2020-05-18T19:45:04Z)

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。