論文の概要: Delay Complexity Dimension: Learning with Delayed and Censored Labels
- arxiv url: http://arxiv.org/abs/2610.18935v1
- Date: Tue, 13 Oct 2026 11:42:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 12:10:45.434101
- Title: Delay Complexity Dimension: Learning with Delayed and Censored Labels
- Title（参考訳）: 遅延複雑度次元:遅延ラベルと補償ラベルによる学習
- Abstract要約: 分布依存型解である遅延複雑度次元(DCD)を提案する。
すべての学習者は$(mathrmDCD/varepsilon2)$サンプルが必要です。
合成データとCriteo変換ログの実験は、これらの予測をサポートする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study PAC learning of binary classifiers when labels arrive after random delays and are censored beyond an observation window $W$. How many samples does this observation model require? We propose a distribution-dependent answer, the Delay Complexity Dimension (DCD). The DCD combines the VC dimension with the exact label-information rate of the observation channel. Every learner needs $Ω(\mathrm{DCD}/\varepsilon^2)$ samples. An oracle pseudo-label ERM matches this rate on the instance family of the lower bound, up to constants and logarithmic factors. On that family the DCD is within a constant factor of the classical censored-ERM complexity, and whether the DCD rate is achievable where the two separate remains open. The theory also yields a quantization scheme under which delay information lowers the residual label variance, an expedition policy with a $(1-1/e)$ guarantee for its version-space objective, and a phenomenon with no analogue in the no-delay setting. Under a fixed collection horizon, a moderate window can strictly beat immediate labels. Experiments on synthetic data and the Criteo conversion logs support these predictions. A budget-matched test of a companion labeler-diversity prediction is reported as a negative result.
- Abstract（参考訳）: ラベルがランダムな遅延の後に到着し、観測窓を越えて検閲される場合、二項分類器のPAC学習について検討する。
この観測モデルはいくつのサンプルが必要ですか。
本稿では,DCD(Delay Complexity Dimension)を提案する。
DCDは、VC次元と観測チャネルの正確なラベル情報率を結合する。
すべての学習者は$Ω(\mathrm{DCD}/\varepsilon^2)$サンプルを必要とする。
オラクルの擬ラベルEMMは、定数と対数係数まで、下界のインスタンスファミリーでこのレートと一致する。
この家系では、DCDは古典的な検閲されたERM複雑性の定数要素の範囲内にあり、DCDレートが2つの分離された状態のまま達成可能かどうかである。
この理論はまた、遅延情報が残差ラベルのばらつきを下げる量子化スキーム、そのバージョン空間の目的に対して1-1/e$の探索ポリシー、および非遅延設定に類似しない現象をもたらす。
固定コレクションの地平線の下では、中程度のウィンドウが即時ラベルを厳密に打ち負かすことができる。
合成データとCriteo変換ログの実験は、これらの予測をサポートする。
共振器ダイバーシティ予測の予算整合テストが負の結果として報告される。
関連論文リスト
- What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation [6.078726431806193]
生成モデルは通常、Fréchet Inception Distance(FID)とKernel Inception Distance(KID)によってランク付けされる。
ZIDは幅広い出発点を検出し、そのスコアは対応するスイープに沿って深刻度を増す。
論文 参考訳（メタデータ） (2026-08-25T17:58:46Z) - Robust Average-Reward Markov Decision Processes: Minimax-Optimal Learning via Plug-in Reductions [51.50375419691955]
分布的に堅牢なマルコフ決定プロセスは、モデルの不確実性の下でのシーケンシャルな意思決定のための原則化されたフレームワークを提供する。
我々は,平均回帰基準の下で,$varepsilon$-Optimal robust policyを学習するのに必要なサンプル数と十分なサンプル数について検討した。
論文 参考訳（メタデータ） (2026-08-06T19:49:48Z) - Quantum Erasure Imaging: Complementary Modalities from Delayed-Choice Erasure [0.0]
絡み合った光子対は、2つの古典的なモジュラリティ、吸収$T(x,y)$と位相感受性の次数$(x,y)$をエンコードする。
H/V で ancilla を測定すると、where-path 情報を介して $T$ が得られる。
このプロトコルをモンテカルロシミュレーションで説明し、コードをオープンソース化する。
論文 参考訳（メタデータ） (2026-06-02T17:08:47Z) - Bootstrapping with AI/ML-generated labels [0.0]
推定されたラベルを用いてデータを生成するが、推定において破損したバージョンに依存している、一見自然な固定ラベルブートストラップは、強い独立条件が満たさない限り、一般的には無効であることを示す。
本報告では, 真のラベルとインプットを併用したブートストラップを提案し, この条件を使わずに有効であることを示す。
シミュレーションの手法を概説し、賃金とリモートワークの状況との関係について検討する。
論文 参考訳（メタデータ） (2026-04-26T15:48:03Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions
with "Spurious" Correlations [44.99833362998488]
テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。
本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
論文 参考訳（メタデータ） (2022-11-28T18:52:33Z) - How Does Pseudo-Labeling Affect the Generalization Error of the
Semi-Supervised Gibbs Algorithm? [73.80001705134147]
擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。
ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
論文 参考訳（メタデータ） (2022-10-15T04:11:56Z) - Tessellated Wasserstein Auto-Encoders [5.9394103049943485]
変分オートエンコーダ(VAE)やワッサースタインオートエンコーダ(WAE-MMD)、スライスワッサースタインオートエンコーダ(SWAE)などの非逆数生成モデルは、生成逆数ネットワーク(WAE-GAN)のワッサースタインオートエンコーダに比べて比較的訓練が容易で、モード崩壊が少ない。
我々は,Tessellated Wasserstein Auto-Encoders (TWAE) と呼ばれる新しいフレームワークを開発した。
論文 参考訳（メタデータ） (2020-05-20T09:21:05Z)
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。