論文の概要: Exact power indices for plurality-voting ensembles

• arxiv url: http://arxiv.org/abs/2610.17980v1
• Date: Tue, 13 Oct 2026 08:50:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:57:11.978914
• Title: Exact power indices for plurality-voting ensembles
• Title（参考訳）: 複数発声アンサンブルのためのエクササイズパワー指標
• Abstract要約: Plurality-voting は複数の基底分類器の集合予測を行い、最も投票率の高いクラスを出力する。 単純な集約規則にもかかわらず、各基底分類器の影響をアンサンブルの予測にもたらすことは、決して単純ではない。 協調ゲーム理論から確立されたツールを用いた属性問題に対処する。
• 参考スコア（独自算出の注目度）: 15.449876581318899
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plurality-voting ensembles aggregate the predictions of multiple base classifiers and output the most voted class, with ties typically broken at random. Despite the simple aggregation rule, attributing the impact of each base classifier to the ensemble's predictions is far from straightforward. That is, a single base classifier's impact depends on how it interacts with the votes of all other classifiers in the ensemble, for example, in resolving ties, and not only on its own predictions. We address the attribution problem using established tools from cooperative game theory, studying the Banzhaf and Shapley power indices for new games modeling plurality voting and random tie-breaking, for binary and multiclass classification settings. Computing power indices is, in general, intractable. Surprisingly, our methods, collectively named ENPOWER, enable the exact computation of Banzhaf and Shapley values in linear time for the binary classification setting and in low-degree polynomial time for the multiclass setting. The algorithms in ENPOWER rely on new combinatorial formulations of the Banzhaf and Shapley indices, yielding closed-form solutions for the binary case and ordinary generating function representations for the multiclass case. We validate empirically the methods in ENPOWER demonstrating their high applicability, providing attribution values not captured by existing methods. We apply the attribution of ENPOWER to: ensemble pruning and prompt-based ensembling of vision-language models.
• Abstract（参考訳）: Plurality-voting アンサンブルは、複数の基底分類器の予測を集約し、最も投票率の高いクラスを出力する。 単純な集約規則にもかかわらず、各基底分類器の影響をアンサンブルの予測にもたらすことは、決して単純ではない。 すなわち、単一の基底分類器の影響は、例えば関係の解消において、アンサンブル内の他の全ての分類器の投票とどのように相互作用するかにかかっている。 協調ゲーム理論から確立されたツールを用いた帰属問題に対処し、複数投票とランダムタイブレーキングをモデル化した新ゲームにおけるバンジャフとシェープリーのパワー指標を二進的・多クラス分類設定のために研究する。 計算力の指標は一般に難解である。 驚いたことに、ENPOWERと呼ばれる我々の手法は、二進分類設定では線形時間でBanzhaf値とShapley値の正確な計算を、多クラス設定では低次多項式時間で行える。 ENPOWER のアルゴリズムは、Banzhaf と Shapley のインデックスの新しい組合せ式に依存し、二項の場合の閉形式解と多項の場合の通常の生成関数表現を生成する。 ENPOWERの手法を実証的に検証し,既存の手法では適用できない属性値を提供する。 ENPOWERの属性を次のように適用する: アンサンブルプルーニングと視覚言語モデルの即時アンサンブル。

関連論文リスト

• Fundamental limits of distributed multiclass classification from simple binary decisions [5.668668551176212]
  対応する二項分類器が超平面であるとき、そのような分類器の基本的な性能限界について検討する。 K$ 級中心が $mathbb Rd$ の独立ガウス点であり、観測がガウスノイズによって損なわれるような形式化されたガウス的設定に対しては、いくつかの復号化および次元的レジームの明示的なパフォーマンス境界を導出する。
  論文  参考訳（メタデータ） (2026-07-21T17:53:44Z)
• Optimized Sequential Testing for Binary Ensemble Classifiers [0.29220076568786324]
  アンサンブル(英: Ensemble)は、単純なベースモデルの結果を組み合わせた予測モデルである。 逐次テストの分野からのアプローチを用いて、二項分類の計算コストを削減する方法を検討する。 本研究は,全アンサンブルとの相違率を制御しながら実行される基本モデルの数を最小化する早期停止戦略に対する最適性の3つの異なる概念を考察する。
  論文  参考訳（メタデータ） (2026-06-13T10:32:52Z)
• Balanced Aggregation: Understanding and Fixing Aggregation Bias in GRPO [70.38763678943648]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデルにおける推論とコード生成を改善するための中心的なパラダイムとなっている。 標準的なGRPOはシーケンスアグリゲーションを使用し、最近の研究はトークンアグリゲーションをより良い代替手段として提唱している。 トークンアグリゲーションは符号長結合を導入し、シーケンスアグリゲーションは暗黙的にダウンウェイトを延長する。
  論文  参考訳（メタデータ） (2026-04-14T09:48:46Z)
• HSFN: Hierarchical Selection for Fake News Detection building Heterogeneous Ensemble [7.982080205252205]
  本稿では,その多様性を優先し,性能によって拡張された新しい自動分類器選択手法を提案する。 異なるアプリケーションドメインから6つのデータセットにまたがる40の異種分類器を用いて実験を行う。 その結果,提案手法は6つのデータセットのうち2つにおいて最も精度が高いことがわかった。
  論文  参考訳（メタデータ） (2025-08-29T10:09:20Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Achieving More with Less: A Tensor-Optimization-Powered Ensemble Method [53.170053108447455]
  アンサンブル学習(英: Ensemble learning)は、弱い学習者を利用して強力な学習者を生み出す方法である。 我々は、マージンの概念を活かした滑らかで凸な目的関数を設計し、強力な学習者がより差別的になるようにした。 そして、我々のアルゴリズムを、多数のデータセットの10倍の大きさのランダムな森林や他の古典的な手法と比較する。
  論文  参考訳（メタデータ） (2024-08-06T03:42:38Z)
• A Hard-to-Beat Baseline for Training-free CLIP-based Adaptation [121.0693322732454]
  対照的に、CLIP(Contrastive Language- Image Pretraining)はその目覚ましいゼロショット能力で人気を集めている。 近年の研究では、下流タスクにおけるCLIPの性能を高めるための効率的な微調整手法の開発に焦点が当てられている。 従来のアルゴリズムであるガウス判別分析(GDA)を再検討し,CLIPの下流分類に適用する。
  論文  参考訳（メタデータ） (2024-02-06T15:45:27Z)
• Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
  我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。 この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
  論文  参考訳（メタデータ） (2022-11-26T21:02:09Z)
• A Dataset-Level Geometric Framework for Ensemble Classifiers [0.76146285961466]
  多数決と重み付けされた多数決は、アンサンブル学習で一般的に使用される2つの組み合わせスキームである。 本稿では,これら2つの組み合わせスキームの特性群を,データセットレベルの幾何学的枠組みの下で正式に提示する。
  論文  参考訳（メタデータ） (2021-06-16T09:48:12Z)
• Random Hyperboxes [9.061408029414455]
  本稿では,個々のハイパーボックスに基づく分類器の強度に基づいて,提案した分類器の一般化誤差を示す。 提案する分類器の有効性は、慎重に選択された例を用いて分析する。 実データセットの一般化誤差境界に関する既存の問題を特定し,潜在的研究の方向性を報告する。
  論文  参考訳（メタデータ） (2020-06-01T03:42:20Z)

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。