論文の概要: A general condition for fast rates in multi-group learning

• arxiv url: http://arxiv.org/abs/2610.26198v1
• Date: Mon, 19 Oct 2026 11:25:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:35:46.418026
• Title: A general condition for fast rates in multi-group learning
• Title（参考訳）: 多群学習における高速学習の一般条件
• Abstract要約: ToshとHsu(2022年)は、睡眠の専門家によるオンライン学習を減らして1/sqrtn$のスローレートを得た。 我々は、同じ適応予測器が条件が成立するかどうかを知らずに1/n$の速さを達成できる群ワイドバーンスタイン条件を特定し、失敗する群に対して遅い速度を維持する。
• 参考スコア（独自算出の注目度）: 10.038794911859773
• License:
• Abstract: In multi-group learning, a single predictor must control its excess risk simultaneously over overlapping groups. Tosh and Hsu (2022) obtained $1/\sqrt{n}$ slow rates via a reduction to online learning with sleeping experts, and $1/n$ rates only under realizability (and for a different strategy). We identify a group-wise Bernstein condition under which the same adaptive predictor attains the fast rate $1/n$ without knowing whether the condition holds, while retaining the slow rates on the groups where it fails. The condition is implied by some natural assumptions weaker than realizability. Lower bounds show that weakened versions leave every learner with slow rates. Intermediate rates under relaxed conditions and an extension to VC classes are also obtained.
• Abstract（参考訳）: 多群学習では、1つの予測器が重複するグループに対して同時に過剰なリスクを制御しなければならない。 ToshとHsu(2022年)は、睡眠専門家とのオンライン学習を減らして1/\sqrt{n}$のスローレートを得た。 我々は、同じ適応予測器が条件が成立するかどうかを知らずに1/n$の速さを達成できる群ワイドバーンスタイン条件を特定し、失敗する群に対して遅い速度を維持する。 この条件は、実現可能性よりも弱いいくつかの自然な仮定によって暗示される。 下限は、弱められたバージョンがすべての学習者を遅い速度で残していることを示している。 緩和条件下での中間レートとVCクラスの拡張も得られる。

関連論文リスト

• Asynchronous LLM Post-Training: Group-Mass Capping and Convergence Analysis [59.80039032720308]
  非同期強化学習(RL)は、大規模言語モデルの訓練後の効率を改善するが、以前のポリシーによって生成された古いロールアウトを導入する。 勾配推定器の第2モーメントとバイアスのトレードオフを特徴付けるGRPO型アルゴリズムの収束バウンダリを導出する。 重み付き推定器のクラス内における比に基づくバイアスを最小化するグループマスキャッピングGRPO(GMC-GRPO)法を提案する。
  論文  参考訳（メタデータ） (2026-10-01T15:45:08Z)
• Fast Rates for Offline Contextual Bandits with Forward-KL Regularization under Single-Policy Concentrability [54.40598524756038]
  emphKullback-Leibler (KL) 正規化は強化学習アルゴリズムにおいてユビキタスである。 近年の研究では、KLの逆正則化の下での意思決定において、$1$型高速速度が示されている。 我々は、この問題を解決するための第一歩として、フォワードKL正規化オフラインCBの合理化分析を行う。
  論文  参考訳（メタデータ） (2026-05-09T23:17:46Z)
• Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness [63.833913892018536]
  本研究では、固定されたファミリー$U$からデータ生成分布を適応的に選択できる分布敵の下でのシーケンシャルな意思決定について検討する。 一般化滑らか性(Generalized smoothness)という概念の観点で学習可能性を認めるファミリー$U$のほぼ完全な特徴付けを提供する。 一般化された滑らかさは,分布制約下での個人学習性も特徴付けることを示す。
  論文  参考訳（メタデータ） (2026-02-24T06:15:59Z)
• Distribution-Free Sequential Prediction with Abstentions [7.110627876507878]
  本研究では, 敵が任意の数の敵インスタンスを任意に注入することを許容する逐次予測問題について検討する。 各ラウンドにおいて、学習者はインスタンスが実際に破損した場合、ペナルティを発生させることなく予測を行うことも強調できる。 本稿では,弱い学習者の強化手順に基づくtextscAbstainBoostを提案する。
  論文  参考訳（メタデータ） (2026-02-20T00:28:27Z)
• Towards a Sharp Analysis of Offline Policy Learning for $f$-Divergence-Regularized Contextual Bandits [49.96531901205305]
  我々は$f$-divergence-regularized offline policy learningを分析する。 逆Kullback-Leibler (KL) の発散に対して、単極集中性の下での最初の$tildeO(epsilon-1)$サンプル複雑性を与える。 これらの結果は,$f$-divergence-regularized policy learningの包括的理解に向けて大きな一歩を踏み出したものと考えられる。
  論文  参考訳（メタデータ） (2025-02-09T22:14:45Z)
• A Universal Growth Rate for Learning with Smooth Surrogate Losses [30.389055604165222]
  2進分類におけるスムーズなマージンベースサロゲート損失に対して,0付近の平方根成長速度を証明した。 我々は、この分析を、一連の新しい結果でマルチクラス分類に拡張する。
  論文  参考訳（メタデータ） (2024-05-09T17:59:55Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Deep learning for $\psi$-weakly dependent processes [0.0]
  私たちは$psi$-weakly依存プロセスを学ぶためにディープニューラルネットワークを実行します。 ディープニューラルネットワーク予測器のクラスにおける経験的リスク最小化アルゴリズムの整合性を確立する。 いくつかのシミュレーション結果が提供され、アメリカの景気後退データにも適用されている。
  論文  参考訳（メタデータ） (2023-02-01T09:31:15Z)
• Localization, Convexity, and Star Aggregation [0.0]
  オフセットラデマッハ複体は、正方形損失に対する鋭く線形依存的な上界を示すことが示されている。 統計的設定では、オフセット境界は一定の均一な凸性を満たす任意の損失に一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-19T00:47:59Z)

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。