論文の概要: Multigroup Fairness and Omniprediction: Separations and Equivalences

• arxiv url: http://arxiv.org/abs/2610.07374v1
• Date: Mon, 05 Oct 2026 20:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.657521
• Title: Multigroup Fairness and Omniprediction: Separations and Equivalences
• Title（参考訳）: 多群フェアネスとOmniprediction:分離と等価性
• Abstract要約: 偏微分は予想の精度さえも意味せず、キャリブレーションや多重精度、多重校正よりもはるかに弱い概念である。 損失 OI は校正された多重精度の形式と等価である。
• 参考スコア（独自算出の注目度）: 19.236690161829923
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Omniprediction is a learning guarantee which requires a single predictor to be competitive relative to the best hypothesis from a benchmark class for any loss chosen from a family of loss functions. Loss Outcome Indistinguishability (loss OI for short) is a stronger notion that implies omniprediction. It requires the predicted distribution on labels to be indistinguishable from the true distribution to tests that depend on the loss functions and the benchmark class. Multiaccuracy and multicalibration are multigroup fairness notions that generalize classical notions of calibration and accuracy in expectation. Most known learning algorithms for omniprediction (both for the standard notion and for strengthenings like loss OI) rely on some version of these multigroup fairness notions, or on an intermediate notion called calibrated multiaccuracy. We ask if this is necessary: Does omniprediction require some form of multigroup fairness? We show that the answer is no for (plain) omniprediction, and yes for loss OI. First, a sequence of works shows that multicalibration or calibrated multiaccuracy imply omniprediction. We rule out even a weak converse, by showing that omniprediction for proper losses does not imply even accuracy in expectation, a much weaker notion than any of calibration, multiaccuracy, or multicalibration. Second, prior work showed how to achieve loss OI from a combination of calibration and multiaccuracy. We show a converse: loss OI is equivalent to a form of calibrated multiaccuracy.
• Abstract（参考訳）: オムニプレディクション(Omniprediction)は、損失関数の族から選択された損失に対して、ベンチマーククラスから選択した最良の仮説に対して、単一の予測器が競合することを要求する学習保証である。 Loss Outcome Indistinguishability (略してOI)は、全滅を意味する強い概念である。 ラベル上の予測された分布は、損失関数とベンチマーククラスに依存するテストへの真の分布と区別できない必要がある。 多重精度と多重校正は、予想における古典的な校正と精度の概念を一般化する多群公正の概念である。 オムニプレディクションのための最もよく知られた学習アルゴリズム(標準概念と損失 OI のような強化の両方のために)は、これらの多群フェアネスの概念のある種のバージョン、またはキャリブレーションされた多重精度と呼ばれる中間概念に依存している。 半減法はある種の多群公正性を必要とするか? その答えは、(不規則な)偏差に対してノーであり、損失 OI に対してイエスであることを示す。 まず、一連の研究は、多重校正または校正された多重精度が全正を暗示していることを示している。 我々は、適切な損失に対する全予測が予測の精度さえも含まないことを示し、校正、多重精度、多重校正のどれよりもはるかに弱い概念を示すことで、弱い逆も排除する。 第2に, キャリブレーションとマルチ精度の組み合わせによる損失OIの達成方法を示した。 損失 OI は校正された多重精度の形式と等価である。

関連論文リスト

• How Global Calibration Strengthens Multiaccuracy [13.849487128339792]
  マルチ精度自体はかなり弱いが、グローバルキャリブレーションの追加は、そのパワーを大幅に向上させる。 また、クラス内のいくつかの概念がラベルと1/2ドル以上の相関を持つ必要があるような、弱い無知学習の制限形式が得られることも示している。
  論文  参考訳（メタデータ） (2025-04-21T16:22:44Z)
• Predicting generalization performance with correctness discriminators [56.948321040125734]
  未確認データに対して,金のラベルを必要とせず,精度の上下境界を確立する新しいモデルを提案する。 予測された上境界と下限の間に金の精度が確実に成立する様々なタグ付け、構文解析、意味解析タスクを示す。
  論文  参考訳（メタデータ） (2023-11-15T22:43:42Z)
• Swap Agnostic Learning, or Characterizing Omniprediction via Multicalibration [6.91367883100748]
  我々は,Swap Agnostic Learningを導入し,研究する。 敵の強みにも拘わらず,あらゆる凸損失に対するスワップ・アグノスティック・ラーニングの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-02-13T22:25:53Z)
• Confidence and Dispersity Speak: Characterising Prediction Matrix for Unsupervised Accuracy Estimation [51.809741427975105]
  この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。 我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。 核の基準は既存の手法よりも正確で堅牢であることを示す。
  論文  参考訳（メタデータ） (2023-02-02T13:30:48Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Loss Minimization through the Lens of Outcome Indistinguishability [11.709566373491619]
  我々は凸損失と最近のOmnipredictionの概念について新しい視点を提示する。 設計上、Los OIは直感的かつ直感的に全滅を意味する。 一般化モデルから生じる損失の重要な集合に対する損失 OI は、完全な多重校正を必要としないことを示す。
  論文  参考訳（メタデータ） (2022-10-16T22:25:27Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)
• Sample Complexity of Uniform Convergence for Multicalibration [43.10452387619829]
  多重校正誤差に対処し、予測誤差から分離する。 我々の研究は、多重校正誤差の統一収束保証のためのサンプル複雑性境界を与える。
  論文  参考訳（メタデータ） (2020-05-04T18:01:38Z)

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。