Fugu-MT 論文翻訳(概要): Classification with Abstention Under Class-Conditional Error Constraints

論文の概要: Classification with Abstention Under Class-Conditional Error Constraints

arxiv url: http://arxiv.org/abs/2609.22632v1
Date: Fri, 18 Sep 2026 22:45:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-22 20:29:00.507847
Title: Classification with Abstention Under Class-Conditional Error Constraints
Title（参考訳）: クラス・コンディション・エラー制約下における留意点の分類
Abstract要約: 本稿では,クラス条件の異なる制約下での禁忌付き二項分類について検討する。分布のない最小限の禁忌リスクを対数的要因まで特徴付ける。
参考スコア（独自算出の注目度）: 8.334918207379173
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We study binary classification with abstention under separate class-conditional error constraints, with the objective of minimizing abstention while keeping both errors below prescribed thresholds. We characterize the distribution-free minimax rate of excess abstention risk, up to logarithmic factors, in terms of the complexity of the hypothesis class and the sample size. To make the framework amenable to computation with models such as neural networks, we introduce surrogate-loss formulations and derive finite-sample guarantees for excess surrogate ambiguity risk. We formulate the resulting learning task as a constrained optimization problem and characterize its computational complexity in the convex setting. Finally, we evaluate our approach on various datasets and compare its performance with a competing method for this problem.
Abstract（参考訳）: 本研究の目的は, 2つの誤りを所定の閾値以下に保ちながら, 禁制を最小化することにある。仮説クラスとサンプルサイズが複雑である点から, 対数的要因まで, 過剰な禁忌リスクの分布自由最小値の計算を特徴付ける。ニューラルネットワークなどのモデルで計算可能なフレームワークを実現するため、サロゲートロスの定式化を導入し、過剰なサロゲート曖昧性リスクに対する有限サンプル保証を導出する。得られた学習課題を制約付き最適化問題として定式化し,その計算複雑性を凸設定で特徴づける。最後に,本手法を各種データセット上で評価し,その性能を競合する手法と比較する。

関連論文リスト

Robust low-rank estimation with multiple binary responses using pairwise AUC loss [0.0]
複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供する。既存のバイナリデータの方法は概ね可能性ベースであり、ポイントワイズ分類に重点を置いている。
論文参考訳（メタデータ） (2026-01-13T15:00:10Z)
Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
論文参考訳（メタデータ） (2025-10-24T16:11:10Z)
Set to Be Fair: Demographic Parity Constraints for Set-Valued Classification [5.085064777896467]
本研究は,人口順と予測サイズ制約の下での集合値分類の問題に対処する。両制約を満足しながら分類リスクを最小限に抑えるオラクルベースの方法と,制約満足度を優先する計算効率の良いプロキシの2つの補完戦略を提案する。
論文参考訳（メタデータ） (2025-10-06T15:36:45Z)
Asymptotically Optimal Linear Best Feasible Arm Identification with Fixed Budget [55.938644481736446]
本稿では,誤差確率の指数的減衰を保証し,最適な腕識別のための新しいアルゴリズムを提案する。我々は,複雑性のレベルが異なる様々な問題インスタンスに対する包括的経験的評価を通じて,アルゴリズムの有効性を検証する。
論文参考訳（メタデータ） (2025-06-03T02:56:26Z)
Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
論文参考訳（メタデータ） (2025-04-21T17:15:48Z)
The Exploration of Error Bounds in Classification with Noisy Labels [7.657250843344973]
本稿では,ディープラーニングフレームワークにおけるノイズラベルによる分類問題に対する過大なリスクの誤差境界に着目した。過大なリスクに対して誤差境界を導出し、それを統計的誤差と近似誤差に分解する。低次元多様体仮説の下では、高次元入力空間の影響を軽減するために近似誤差をさらに洗練する。
論文参考訳（メタデータ） (2025-01-25T10:06:50Z)
Assouad, Fano, and Le Cam with Interaction: A Unifying Lower Bound Framework and Characterization for Bandit Learnability [71.82666334363174]
我々は,統計的推定と対話的意思決定において,情報理論の下限を統一する枠組みを開発する。 Emphinteractive Fano methodinteractive と呼ばれる新しい下界アプローチを提案する。
論文参考訳（メタデータ） (2024-10-07T15:14:58Z)
Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文参考訳（メタデータ） (2022-01-21T02:46:57Z)
Robust Unsupervised Learning via L-Statistic Minimization [38.49191945141759]
教師なし学習に焦点をあて、この問題に対する一般的なアプローチを提示する。重要な仮定は、摂動分布は、許容モデルの特定のクラスに対するより大きな損失によって特徴付けられることである。教師なし学習におけるいくつかのポピュラーモデルに対する提案基準に関して,一様収束境界を証明した。
論文参考訳（メタデータ） (2020-12-14T10:36:06Z)
Adversarial Classification via Distributional Robustness with Wasserstein Ambiguity [12.576828231302134]
ワッサーシュタインの曖昧さの下では、モデルは誤分類のリスクを最小限にすることを目的としている。この分類の非整合性にもかかわらず、標準降下法はこの問題に対して収束しているように見える。
論文参考訳（メタデータ） (2020-05-28T07:28:47Z)
The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
論文参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。