論文の概要: Learning Distributions from Samples and Qualities

• arxiv url: http://arxiv.org/abs/2610.17956v1
• Date: Tue, 13 Oct 2026 08:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 08:01:43.854861
• Title: Learning Distributions from Samples and Qualities
• Title（参考訳）: サンプルと品質から分布を学習する
• Abstract要約: 連続パラメトリック分布から各サンプルが未知のパラメータによって制御された2値品質ラベルを伴っている場合のパラメータ推定について検討した。 ハードファシビリティの制約を課すことで、決定論的ラベルは、滑らかな品質を考慮したM推定器の古典的な$n-1/2$レートから$n-1$への推定を加速することができる。
• 参考スコア（独自算出の注目度）: 38.73059447673478
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We study parameter estimation when each sample from a continuous parametric distribution is accompanied by a binary quality label governed by the same unknown parameter. By imposing hard feasibility constraints, deterministic labels can accelerate estimation from the classical $n^{-1/2}$ rate of smooth quality-aware M-estimators to $n^{-1}$. Combining PAC guarantees with local error-to-parameter conversions, we establish this rate for both identifiable and finitely ambiguous quality classifiers, with likelihood information resolving the latter ambiguity. When the quality model is known only up to an additive constant, we construct threshold-free pairwise preferences from oppositely labeled samples and retain the accelerated rate despite the unknown threshold. We further show that pointwise qualities and pairwise preferences are incomparable: either can be strictly more informative than the other. Our assumptions hold for Gaussian, Laplace, and exponential families under thresholded log-likelihood rewards. Finally, a minimax lower bound establishes the optimal $n^{-1}$ dependence on sample size, up to logarithmic and dimension-dependent factors, while experiments confirm the benefits of constraint-based estimation.
• Abstract（参考訳）: 連続パラメトリック分布から各サンプルが同じ未知のパラメータで管理された2値品質ラベルを伴っている場合のパラメータ推定について検討した。 ハードファシビリティ制約を課すことで、決定論的ラベルは古典的な$n^{-1/2}$スムーズな品質を考慮したM推定器の速度から$n^{-1}$への推定を加速することができる。 PAC保証と局所誤差-パラメータ変換を組み合わせることで、後者の曖昧さを解消する確率情報を用いて、同定可能および有限不明瞭な品質分類器の両方に対して、このレートを確立する。 品質モデルが加法定数までしか知られていない場合、正反対のラベル付きサンプルからしきい値のないペアワイズ選好を構築し、未知のしきい値にもかかわらず加速速度を維持する。 さらに、ポイントワイズな品質とペアワイズな好みは相容れないことを示します。 我々の仮定は、ガウス、ラプラス、指数関数的な家族に対して、しきい値付き対数的報酬の下で成り立つ。 最後に、ミニマックスの下限は、対数的および次元に依存した要素まで、標本サイズに最適な$n^{-1}$依存を定め、一方実験は制約に基づく推定の利点を裏付ける。

関連論文リスト

• Optimal Momentum Methods for Stochastic Multilevel Compositional Optimization [59.75358446504504]
  本稿では,複数のスムーズな非パラメータからなるネスト構成を目的とするマルチレベル最適化について検討する。 我々は、運動量勾配推定器を構築するために、ミニバッチを持つ運動量ベース推定器を用いる。 また,関数値のクリッピングに一階近似を組み込んだバッチフリー手法を開発した。
  論文  参考訳（メタデータ） (2026-10-01T12:32:40Z)
• Local polynomial density ratio estimation [46.453787256723366]
  独立サンプルが利用できる2つの$d$次元密度$f$と$g$の比率$rf/g$の新しい局所多項式推定器を提案する。 推定器は、追加の対数係数を伴わない任意の滑らか度指数の Hlder クラスに対して、ポイントワイズ極小率を達成することが示される。 我々は,この推定器を用いてKulback-Leiblerの情報を推定する方法を示す。
  論文  参考訳（メタデータ） (2026-09-29T19:06:03Z)
• Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
  分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。 我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
  論文  参考訳（メタデータ） (2026-08-06T19:49:48Z)
• The Minimax Rate of Second-Order Calibration [8.791341107339637]
  二項分類における二階キャリブレーション誤差を推定するミニマックス速度を特徴付ける。 結論として、二階プラッツスケーリングに対する最初の有限サンプル保証を与える。
  論文  参考訳（メタデータ） (2026-05-08T14:41:56Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• Learning Parametric Distributions from Samples and Preferences [19.879505582147807]
  選好に基づくM推定器は、サンプルのみのM推定器よりも分散性が高いことを示す。 我々は,$mathcalO (1/n)$ -- $Theta (1/sqrtn)$よりも大幅に改善された$mathcalO (1/n)$ -- の推定誤差スケーリングを実現する推定器を提案する。
  論文  参考訳（メタデータ） (2025-05-29T15:33:43Z)
• Non-Stochastic CDF Estimation Using Threshold Queries [3.6576781735746513]
  実験的な分布を2つの課題で推定する問題に取り組む。 まず、アルゴリズムはデータを直接観察するのではなく、サンプルについて限られた数のしきい値クエリしか要求しない。 第二に、データは独立で同一の分散であると仮定されず、代わりにサンプルを生成する任意のプロセスが可能である。
  論文  参考訳（メタデータ） (2023-01-13T18:00:57Z)
• Policy evaluation from a single path: Multi-step methods, mixing and mis-specification [45.88067550131531]
  無限水平$gamma$-discounted Markov rewardプロセスの値関数の非パラメトリック推定について検討した。 カーネルベースの多段階時間差推定の一般的なファミリーに対して、漸近的でない保証を提供する。
  論文  参考訳（メタデータ） (2022-11-07T23:15:25Z)
• High Probability Bounds for a Class of Nonconvex Algorithms with AdaGrad Stepsize [55.0090961425708]
  本研究では,AdaGradのスムーズな非確率問題に対する簡易な高確率解析法を提案する。 我々はモジュラーな方法で解析を行い、決定論的設定において相補的な$mathcal O (1 / TT)$収束率を得る。 我々の知る限りでは、これは真に適応的なスキームを持つAdaGradにとって初めての高い確率である。
  論文  参考訳（メタデータ） (2022-04-06T13:50:33Z)
• SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
  無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。 推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
  論文  参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。