論文の概要: Augmented Feature Boosting for Multicalibration

• arxiv url: http://arxiv.org/abs/2609.33891v1
• Date: Sun, 27 Sep 2026 20:14:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 15:52:12.515483
• Title: Augmented Feature Boosting for Multicalibration
• Title（参考訳）: マルチキャリブレーションのための機能強化
• Abstract要約: マルチキャリブレーションは、予測器の残差を全世界だけでなく、予測器自身のレベルセットに条件付けし、テスト関数の豊富なクラスによって再重み付けした後にも、非バイアス化する必要がある。 分布設定における標準的なブースティングアプローチは、予測器の範囲を繰り返し離散化し、その結果のレベルセットを監査し、修復することにより、これを実現する。 このクラスの表現性は、多重精度、多重校正、およびより強いレベルセット多重校正の概念を含む保証の階層をいかに生み出すかを示す。
• 参考スコア（独自算出の注目度）: 0.9682731255146844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multicalibration requires a predictor's residuals to be unbiased not only globally, but also after conditioning on the predictor's own level sets and reweighting by a rich class of test functions. Standard boosting approaches in the distributional setting achieve this by repeatedly discretizing the predictor's range then auditing and repairing the resulting level sets. One consequence is that in practice, the algorithm's guarantees are sensitive to this parametrization of the rounding parameter. A natural theoretical question, then, is how to do discretization-free boosting which avoids this rounding within the boosting process itself. Here, we analyze an alternative feature-augmentation boosting paradigm inspired by Tax et al. (2026): at each round, a squared-loss oracle is called on hypotheses that receive the previous predictor's output as an additional feature, and only the final predictor is rounded to have a finite set of level sets to provide the multicalibration guarantee with respect to. We give a theoretical analysis of this procedure through the expressivity of the augmented hypothesis class, and show how the expressivity of this class yields a hierarchy of guarantees, including multiaccuracy, multicalibration, and the stronger notion of level-set multicalibration.
• Abstract（参考訳）: マルチキャリブレーションは、予測器の残差を全世界だけでなく、予測器自身のレベルセットに条件付けし、テスト関数の豊富なクラスによって再重み付けした後にも、非バイアス化する必要がある。 分布設定における標準的なブースティングアプローチは、予測器の範囲を繰り返し離散化し、その結果のレベルセットを監査し、修復することにより、これを実現する。 結果として、実際には、アルゴリズムの保証は丸めパラメータのこのパラメトリゼーションに敏感である。 自然理論上の疑問は、どのように離散化のないブーイングを行うかであり、これはブーピングプロセス自体におけるこのラウンドリングを避ける。 ここでは、税等(2026年)に触発された代替機能強化パラダイムを解析し、各ラウンドにおいて、前回の予測者の出力を付加的な特徴として受け取る仮説に対して、正方形軌跡を呼び出し、最終予測器のみが有限のレベルセットを持ち、多重校正保証を提供するように丸められる。 拡張仮説クラスの表現性を通して、この手順の理論解析を行い、このクラスの表現性は、多重精度、多重校正、およびより強いレベルセット多重校正の概念を含む保証の階層をいかに生み出すかを示す。

関連論文リスト

• A proximal subgradient method for nonconvex stochastic optimization under the Kurdyka-Łojasiewicz condition [39.146761527401424]
  本研究は,期待されるコストの和を最小化するための近位次法を導入する。 クルディカ・ロジャシエヴィチ(KL)特性を用いて、全軌道の1つの定常点への収束を保証する。
  論文  参考訳（メタデータ） (2026-08-05T23:07:27Z)
• Multicalibration Boosting: Theory, Convergence, and Transferability [1.2031796234206138]
  マルチキャリブレーションは、関数の豊富なコレクションに対して予測を非バイアス化することを要求することによって、古典的なキャリブレーションを拡張する。 公平性、堅牢性、信頼性のある予測のための強力なフレームワークとして登場した。 我々は既存の変種を仮定するMCBoostの統一的で洗練された視点を開発する。
  論文  参考訳（メタデータ） (2026-05-23T03:04:49Z)
• Beyond Uncertainty Sets: Leveraging Optimal Transport to Extend Conformal Predictive Distribution to Multivariate Settings [0.14504054468850666]
  コンフォーマル予測(CP)は、有限サンプルカバレッジを保証するモデル出力に対する不確実性集合を構成する。 最適な割り当ては、スコア空間の固定された多面体分割において一括的に一定であることを示す。 これにより、予測セット全体を魅力的に特徴付けることができ、予測セットのより深い制限に対処するための機械を提供する。
  論文  参考訳（メタデータ） (2025-11-19T05:59:01Z)
• Shift Before You Learn: Enabling Low-Rank Representations in Reinforcement Learning [56.87989363424]
  シフトした後継尺度において,低ランク構造が自然に現れることを示す。 有効な低ランク近似と推定に必要なシフトの量を定量化する。
  論文  参考訳（メタデータ） (2025-09-05T15:48:20Z)
• Conformal Generative Modeling with Improved Sample Efficiency through Sequential Greedy Filtering [55.15192437680943]
  生成モデルは出力に対する厳密な統計的保証を欠いている。 厳密な統計的保証を満たす予測セットを生成する逐次共形予測法を提案する。 このことは、高い確率で予測セットが少なくとも1つの許容可能な(または有効な)例を含むことを保証している。
  論文  参考訳（メタデータ） (2024-10-02T15:26:52Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Towards Reliable Uncertainty Quantification via Deep Ensembles in Multi-output Regression Task [0.0]
  本研究は,多出力回帰タスクにおいて,近似ベイズ推論であるディープアンサンブルアプローチについて検討することを目的とする。 増大する不確実性の過小評価の傾向を初めて観察する。 本稿では,その不確実性定量化性能を向上させるために,ポストホックキャリブレーション法を適用したディープアンサンブルフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T05:10:57Z)

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。