ロバストなPAC m:誤特定と異常値の下でのアンサンブルモデルの訓練【JST・京大機械翻訳】

Zecchin Matteo; Park Sangwoo; Simeone Osvaldo; Kountouris Marios; Gesbert David

プレプリント

J-GLOBAL ID：202202210548349817 整理番号：22P0298509

ロバストなPAC m:誤特定と異常値の下でのアンサンブルモデルの訓練【JST・京大機械翻訳】

Robust PAC$^m$: Training Ensemble Models Under Misspecification and Outliers

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年03月03日プレプリントサーバーでの情報更新日： 2023年04月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

標準Bayes学習は,誤仕様と異常値の存在の下で準最適一般化能力を持つことが知られている。PAC-Bayes理論は,Bayes学習によって最小化された自由エネルギー基準が,異常値によって汚染されないサンプリング分布の仮定の下で,Gibbs予測子(すなわち,後部からランダムで引き出される単一モデル)の一般化誤差に関する境界であることを示した。この視点は,モデルが誤指定され,アンサンブルを要求し,データが異常値により影響されるとき,Bayes学習の限界に対する正当化を提供する。最近の研究では,PAC ̄m ̄-と呼ばれるPAC-Bayes限界が,アンサンブル予測子の性能を説明する自由エネルギー計量を導入し,誤仕様の下で強化された性能を得るように導出された。本研究では,一般化対数スコア関数とPAC ̄mアンサンブル限界を組み合わせた新しいロバスト自由エネルギー基準を示した。提案した自由エネルギー訓練基準は,尤度と事前分布,および異常値の両方に関して,誤指定の有害な効果を同時に打ち消すことができる予測分布を生成する。【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , 分子構造 , システム・制御理論一般 , 数値計算 , パターン認識

, , , ,

前のページに戻る