論文の概要: Rethinking Least-Core Computation in Contextual-Distractor Games

• arxiv url: http://arxiv.org/abs/2610.06087v1
• Date: Mon, 05 Oct 2026 10:19:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:51:52.046422
• Title: Rethinking Least-Core Computation in Contextual-Distractor Games
• Title（参考訳）: コンテクストディストラクタゲームにおける最小コア計算の再考
• Abstract要約: 配当選択と連立サンプリングが最小限の帰属にどのように影響するかを検討する。 本実験は, 有用かつ有害なコントリビューションを識別する上で, セレクタの選択が重要であることを示す。 エントロピー最小核 (ELC) は, 温度に沿った連続的な経路に一意な最小値が従う滑らかな近似である。
• 参考スコア（独自算出の注目度）: 13.549977122454948
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Game-theoretic attribution explains a model by assigning credit to its features or training examples. The least core has attracted interest as an alternative to Shapley-style averaging because it can expose players that cause substantial harm in rare, high-value contexts. However, least-core allocations are generally nonunique, and the choice of allocation can affect the resulting explanation. In this study, we investigate how payoff selection and coalition sampling affect least-core attribution. Our experiments show that selector choice matters for distinguishing useful and harmful contributions, and that sampling can degrade harmful-player identification across the tested selectors even when useful players remain well identified. These observations motivate efficient computation with all coalition constraints and a well-defined selector. We introduce entropic least core (ELC), a smooth approximation whose unique minimizer follows a continuous path along the temperature to the nucleolus, a classical refinement of the least core. Our experiments show that ELC approximates the nucleolus faster than an LP-based nucleolus solver while retaining small payoff errors, with further GPU acceleration at larger problem sizes. In the tested full-coalition contextual-distractor games, ELC matches the minimum-norm selector in identification accuracy and more accurately ranks distractors by harm.
• Abstract（参考訳）: ゲーム理論属性(Game-theoretic Attribution)は、その機能やトレーニング例にクレジットを割り当てることでモデルを説明する。 最小のコアは、希少で高価値なコンテキストにおいて重大な害をもたらすプレイヤーを公開できるため、Shapleyスタイルの平均化に代わるものとして関心を集めている。 しかしながら、最小コアのアロケーションは一般に一般的ではなく、アロケーションの選択は結果として生じる説明に影響を及ぼす可能性がある。 本研究では,配当選択と連立サンプリングが最小値の帰属にどのように影響するかを検討する。 本実験により, 有効かつ有害な貢献を識別するためのセレクタ選択が重要であり, 有効選手が適切に識別されたままでも, 検査対象者間で有害なプレーヤ識別が低下することが示唆された。 これらの観測は、すべての連立制約と明確に定義されたセレクタによる効率的な計算を動機付けている。 エントロピー最小核 (ELC) は, 温度に沿って連続的な経路を辿り, 最小核の古典的な精製を行う滑らかな近似法である。 実験の結果、LCはLPベースのヌクレオルス解法よりも高速にヌクレオルスを近似し、小さなペイオフ誤差を保ちながら、より大きな問題サイズでGPU加速度を加速することがわかった。 テストされたフルコア・コンテクスト・ディトラクタゲームでは、ECCは最小限のノームセレクタを識別精度でマッチングし、より正確にトラクタを害でランク付けする。

関連論文リスト

• Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy [61.848691894557426]
  ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。 本稿では,頑健なスパースベクトル平均推定問題に対処する。 本稿では,バイアスの正確な表現を行うための注意深い分析に基づく補正手法を提案する。
  論文  参考訳（メタデータ） (2026-07-30T07:55:09Z)
• GPU Forecasters: Language Models as Selective Surrogates for Kernel Runtime Optimization [73.92934811090163]
  カーネル評価のための選択的なGPUサロゲートとしてLLMがどのように機能するかを検討する。 限られたGPU測定予算下での高速カーネルの復旧に,その予測が正確で校正され,実用的に有用であるかどうかを計測する。 実験により,LLMは相対的なカーネル性能を正確に予測し,強化学習により性能を向上できることを示した。
  論文  参考訳（メタデータ） (2026-05-29T15:56:08Z)
• PICore: Physics-Informed Unsupervised Coreset Selection for Data Efficient Neural Operator Training [22.740738769143604]
  ニューラル演算子を訓練するための教師なしコアセット選択フレームワークであるPICoreを提案する。 PICoreは、PDEソリューションへのアクセスを必要とせずに、最も有益なトレーニングサンプルを特定する。 PICoreは、教師付きコアセット選択法と比較してトレーニング効率を最大78%向上させる。
  論文  参考訳（メタデータ） (2025-07-23T02:32:44Z)
• Small coresets via negative dependence: DPPs, linear statistics, and concentration [11.037091276465734]
  DPPは変化可能な負の依存を持つ点のランダムな構成である。 最近の研究は、ランダム化されたコアセットを構築するためにDPPを使うことを支持する、重要な実証的な支援を提供している。 本稿では,emphDPPが独立に描画されたコアセットよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-11-01T14:19:08Z)
• Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
  選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。 このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
  論文  参考訳（メタデータ） (2021-10-26T17:39:18Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Minimum Variance Embedded Auto-associative Kernel Extreme Learning Machine for One-class Classification [1.4146420810689422]
  VAAKELMは、自己連想型カーネル極端学習マシンの拡張である。 アーキテクチャ内に最小分散情報を埋め込んで、クラス内の分散を減らす。 これは、一級分類に対する再構成に基づくアプローチに従い、再構成エラーを最小限にする。
  論文  参考訳（メタデータ） (2020-11-24T17:00:30Z)
• Kernel k-Means, By All Means: Algorithms and Strong Consistency [21.013169939337583]
  Kernel $k$クラスタリングは、非線形データの教師なし学習のための強力なツールである。 本稿では,最適化された局所解に対処するための一般的な手法を応用した結果を一般化する。 我々のアルゴリズムは、この非線形分離問題をよりよく解くために、Magricalization-minimization (MM) を利用している。
  論文  参考訳（メタデータ） (2020-11-12T16:07:18Z)
• Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection [76.1522587605852]
  分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。 我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
  論文  参考訳（メタデータ） (2020-09-24T12:25:43Z)
• Gradient Descent in RKHS with Importance Labeling [58.79085525115987]
  我々は重要ラベル付け問題について研究し、ラベルなしデータが多く与えられている。 ラベルなしデータの情報サブセットを効果的に選択できる新しい重要ラベル方式を提案する。
  論文  参考訳（メタデータ） (2020-06-19T01:55:00Z)

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。