論文の概要: A Matching Lower Bound for Online Smooth Calibration
- arxiv url: http://arxiv.org/abs/2611.16097v1
- Date: Wed, 11 Nov 2026 23:13:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.288476
- Title: A Matching Lower Bound for Online Smooth Calibration
- Title(参考訳): オンライン平滑校正のための整合下界
- Abstract要約: ミニマックスの滑らかな校正誤差は$(T2/3)$と$O(sqrtT)$の間にあることが知られている。
本稿では,予測者の累積残差で結果が動く新たな敵を構築することにより,このギャップを埋める。
この設計は過去の残差を補うのにコストがかかり、全ての予測者は予想されるスムーズなキャリブレーション誤差を$(sqrtT)$で発生させる。
- 参考スコア(独自算出の注目度): 56.02356277148467
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study smooth calibration error in sequential binary prediction, which measures how far a sequence of probabilistic forecasts is from being calibrated and, unlike the classical expected calibration error, is robust to small perturbations of the forecasts. Against adaptive adversaries, the minimax smooth calibration error is known to lie between $Ω(T^{1/3})$ and $O(\sqrt{T})$ (Qiao and Zheng, 2024), where $T$ is the number of rounds. In this paper, we close this gap by constructing a new adversary whose outcome mean moves with the forecaster's cumulative residual. This design makes compensating for past residuals costly, and forces every forecaster to incur an expected smooth calibration error of $Ω(\sqrt{T})$. This lower bound matches the known upper bound up to universal constants, and further implies $Ω(\sqrt{T})$ lower bounds for calibration distance and lower calibration distance. Overall, our results settle the minimax rates of these calibration measures in sequential prediction. The proof ideas are partially developed by GPT-6 Astra under the authors' guidance.
- Abstract(参考訳): 逐次二分予測におけるスムーズなキャリブレーション誤差について検討し, 確率予測の列がキャリブレーションされるまでの距離を測定し, 古典的な予測キャリブレーション誤差とは異なり, 予測の小さな摂動に対して頑健であることを示す。
適応的逆数に対して、ミニマックスの滑らかな校正誤差は$Ω(T^{1/3})$と$O(\sqrt{T})$(Qiao and Zheng, 2024)の間にあることが知られている。
本稿では,予測者の累積残差で結果が動く新たな敵を構築することにより,このギャップを埋める。
この設計は過去の残差を補うのにコストがかかり、予想される滑らかなキャリブレーション誤差を$Ω(\sqrt{T})$で発生させる。
この下限は、既知の上限を普遍定数まで一致させ、さらに、キャリブレーション距離と下限距離に対する$Ω(\sqrt{T})$下限を意味する。
全体として,これらのキャリブレーション対策の最小値率を逐次予測で決定する。
証明のアイデアは著者の指導の下でGPT-6 Astraによって部分的に開発されている。
関連論文リスト
- Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。
鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。
我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
論文 参考訳(メタデータ) (2026-05-21T08:57:38Z) - The Importance of Being Smoothly Calibrated [26.81026842833163]
我々は、すべての有界固有損失のクラスに対して、スムーズな予測値に対する新しい全方位保証を提案する。
全方位誤差は、予測器の滑らかな校正誤差と、ベンチマークから地球移動器の距離によって制限される。
論文 参考訳(メタデータ) (2026-03-16T23:50:02Z) - Rethinking Early Stopping: Refine, Then Calibrate [49.966899634962374]
キャリブレーション・リファインメント分解の新規な変分定式化について述べる。
我々は,校正誤差と精錬誤差が訓練中に同時に最小化されないという理論的,実証的な証拠を提供する。
論文 参考訳(メタデータ) (2025-01-31T15:03:54Z) - Breaking the $T^{2/3}$ Barrier for Sequential Calibration [26.563792462828726]
バイナリシーケンスのオンライン校正予測の問題について検討する。
Foster & Vohra (1998) は、$O(T2/3)$キャリブレーション誤差を$T$タイムステップ後に引き起こし、$Omega(T1/2)$の低い境界を示した。
Qiao & Valiant (2021) は、符号保存と呼ばれるゲームを導入して下限を$Omega(T0.528)$に改善した。
論文 参考訳(メタデータ) (2024-06-19T16:19:39Z) - Orthogonal Causal Calibration [55.28164682911196]
我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。
以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
論文 参考訳(メタデータ) (2024-06-04T03:35:25Z) - On the Distance from Calibration in Sequential Prediction [4.14360329494344]
キャリブレーション距離から予測器を評価可能な逐次二分予測条件について検討する。
キャリブレーション距離は、完全キャリブレーションから逸脱する自然で直感的な尺度である。
我々は,逆選択された$T$バイナリ結果の列に対して,予測において$O(sqrtT)$キャリブレーション距離を達成できる予測アルゴリズムが存在することを証明した。
論文 参考訳(メタデータ) (2024-02-12T07:37:19Z) - Localized Calibration: Metrics and Recalibration [133.07044916594361]
完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。
次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
論文 参考訳(メタデータ) (2021-02-22T07:22:12Z)
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。