抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
著者らは,Dワーク,Kim,Reingold,Rothblum,およびYona(STOC 2021)によって最近導入された機械学習の理論的フレームワークである,結果不可解性のための最初のサンプル複雑性特性評価を与えた。不可解性において,学習者の目標は,予測子の予測に従って発生する結果を調べる識別者のクラスDによって,ターゲット予測子から識別できない予測子を出力することである。学習者が目標予測子を含む予測子クラスPと共にデータ分布を与える分布特異的で実現可能な設定において,著者らは,結果のサンプル複雑性が,Dによって定義される二重Minkowskiノルムと,Pによって定義される二重Minkowskiノルムの計量エントロピーによって,等価的に特徴付けられることを示した。この等価性は,凸形状における長年の計量エントロピー双対性予測との興味深い関係を作る。著者らのサンプル複雑性キャラクタリゼーションは,著者らが示すメトリックエントロピー双対性のバリアントを意味した。分布フリー設定では,Pが全ての可能な予測子を含むDorkらによって考慮された事例に焦点を当て,従って,サンプルの複雑さはDだけに依存する。この設定において,著者らは,結果の不一致のサンプル複雑性がDの脂肪-散乱次元によって特性化されることを示した。また,分布フリーおよび分布特異的設定の両者において,実現可能および診断的結果の識別不能性の間の強いサンプル複雑性分離を示した。これは,実現可能および診断的設定の両者におけるサンプル複雑性がVC次元(resp.metric エントロピー)によって特性化できる分布フリー(resp.分布特異的)PAC学習と対照的である。【JST・京大機械翻訳】