論文の概要: Refinement as a Service: Algorithmic Predictor Refinement

• arxiv url: http://arxiv.org/abs/2610.11415v1
• Date: Thu, 08 Oct 2026 07:45:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.869364
• Title: Refinement as a Service: Algorithmic Predictor Refinement
• Title（参考訳）: サービスとしてのリファインメント:アルゴリズムによる予測リファインメント
• Abstract要約: キャリブレーションされた予測器をシグナリングスキームとして定式化し,特徴に依存しないガーブリングによる洗練を定義する。 決定論的出力予測器では、2つの入力信号分割間の二部グラフに基づく二分時間アルゴリズムは$mathsfNP$hardである。 対照的に、ランダム化された出力予測器が許される場合、コンストラクタブル信号ベクトルを関連する多面体円錐の極端線に分解することで、任意の入力予測器に対して時間アルゴリズムを与える。
• 参考スコア（独自算出の注目度）: 22.064673151141978
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction aggregation aims to combine information from multiple predictors into a more informative one. We study this question in the setting of calibrated predictors, where each prediction must equal the conditional expectation of the quantity being predicted given the predictor's signal. Given several calibrated input predictors and the feature distribution, but not the underlying Bayes probabilities, we ask when one can construct refined calibrated predictors that preserve the information in the original predictors and cannot be further refined using the available information. We formulate calibrated predictors as signaling schemes and define refinement through feature-independent garblings: a predictor refines another if its signal can simulate the other's signal. Constructibility is characterized through observable linear information: each signal corresponds to a vector over the feature space, and a new signal is constructible exactly when its vector lies in the linear span of the input signal vectors. Under this formulation, we establish a sharp algorithmic picture. For deterministic output predictors, bilateral refinement admits a polynomial-time algorithm based on a bipartite graph between the two input signal partitions, while refinement with an arbitrary number of input predictors is $\mathsf{NP}$-hard. In contrast, when randomized output predictors are allowed, we give a polynomial-time algorithm for any number of input predictors by decomposing constructible signal vectors into extreme rays of the associated polyhedral cone.
• Abstract（参考訳）: 予測アグリゲーションは、複数の予測器からの情報とより有益な情報を組み合わせることを目的としている。 ここでは,各予測値が予測器の信号から予測される量の条件付き期待値と等しくなるような,キャリブレーション予測器の設定について検討する。 複数の校正された入力予測器と特徴分布が与えられたが、基礎となるベイズ確率ではなく、元の予測器の情報を保存し、利用可能な情報を用いてさらに精査できない、洗練された校正された予測器をいつ構築できるかを問う。 キャリブレーションされた予測器をシグナリングスキームとして定式化し,その信号が相手のシグナルをシミュレートできる場合には,特徴に依存しないギャラブルによる洗練を定義する。 各信号は特徴空間上のベクトルに対応し、そのベクトルが入力信号ベクトルの線形スパン内にあるとき、その新しい信号は正確に構築可能である。 この定式化の下で、シャープなアルゴリズム図を作成する。 決定論的出力予測器では、2つの入力信号分割間の二部グラフに基づく多項式時間アルゴリズムが認められ、任意の数の入力予測器による精製は$\mathsf{NP}$-hardである。 対照的に、ランダム化された出力予測器が許される場合、コンストラクタブル信号ベクトルを関連する多面体円錐の極端線に分解することにより、任意の入力予測器に対して多項式時間アルゴリズムを与える。

関連論文リスト

• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Off-the-grid prediction and testing for linear combination of translated features [2.774897240515734]
  付加的なガウス雑音過程で信号(離散あるいは連続)が観測されるモデルを考える。 我々は,スケールパラメータが変化する可能性を考慮して,オフ・ザ・グリッド推定器の過去の予測結果を拡張した。 本稿では,観測信号の特徴が与えられた有限集合に属するか否かを検証する手法を提案する。
  論文  参考訳（メタデータ） (2022-12-02T13:48:45Z)
• Precise Asymptotics for Spectral Methods in Mixed Generalized Linear Models [31.58736590532443]
  混合一般化線形モデルにおいて、統計的に独立な2つの信号を推定する問題を考える。 我々の特徴付けは、ランダム行列、自由確率、および近似メッセージパッシングアルゴリズムの理論からのツールの混合を利用する。
  論文  参考訳（メタデータ） (2022-11-21T11:35:25Z)
• Conformal Prediction Under Feedback Covariate Shift for Biomolecular Design [56.86533144730384]
  本稿では,トレーニングデータとテストデータが統計的に依存した環境での予測不確実性を定量化する手法を提案する。 モチベーション・ユースケースとして,本手法が設計したタンパク質の適合性予測の不確かさを定量化する方法を実データで示す。
  論文  参考訳（メタデータ） (2022-02-08T02:59:12Z)
• Time-Incremental Learning from Data Using Temporal Logics [3.167882687550935]
  本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。 与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。 本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
  論文  参考訳（メタデータ） (2021-12-28T21:32:00Z)
• 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)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)

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。