May, 2024

多类别 U 校准误差的最优解与进一步

PDF
TL;DR在线多类别 U 校准问题：解决了 Kleinberg 等人提出的开放问题，证明理想的 U 校准误差是 Θ(√KT)，并在损失函数的自然假设下加强了结果，包括利普希茨损失函数的 Θ(log T) U 校准误差，可分解损失函数的 O (log T) U 校准误差，具有低覆盖数的损失函数的 U 校准误差界等。
online multiclass u-calibrationregretfollow-the-perturbed-leader algorithmlipschitz proper lossescovering number
发现论文，激发创造
  • 未知代理预测的 U 校准

    本文考虑了基于二元事件的预测评估问题，并明确表明单一评分规则不能保证对所有可能的代理人低后悔，但已校准的预测保证所有代理人罕见子线性后悔，并提出了一种新的度量标准 U - 校准来评估预测，该标准是当受到任何有界评分规则的评估时，预测序列的最大后悔。

    Jun, 2023

  • 关于顺序预测中的校准距离

    我们研究了一种顺序二进制预测设置，在其中预测者根据校准距离进行评估，该距离定义为预测值与事后完美校准的预测集之间的 L1 距离。我们证明了存在一种预测算法，可以在对手选择的 T 个二进制结果序列上期望实现 O (√T) 的校准距离，证明了校准距离可以通过较低的校准距离准确近似得出，并且可以通过在线学习和 Lipschitz 类的简单极小最大化方法实现 O (√T) 的较低的校准距离。我们还证明，即使在对手输出的独立随机比特序列时，并且具有提前停止（即，在剩余步骤中停止产生随机比特并输出相同的比特）的额外功能，无法避免出现 Ω(T^(1/3)) 的校准距离。有趣的是，如果没有提前停止，预测者可以实现一个较小的校准距离为 polylog (T)。

    Feb, 2024

  • 适当校准误差的一致且渐近无偏估计

    提出了一种方法，可以一致且渐近无偏地估计所有适当的校准误差和改进术语，并验证了所提估计器的所述特性，并建议后续校准方法的选择应由所关注的特定校准误差决定。

    Dec, 2023

  • 关于计算效率的多分类校准

    我们提出一种多类别标签问题的校准方法，通过多项式时间和样本复杂度来高效校准预测器，以获得对二元分类问题的强有力保证。

    Feb, 2024

  • 甲骨文高效在线多校准与全球预测

    我们提出了一种新的在线多校准算法，适用于无限的基准类 $F$，并且是基于预言机的高效算法，可同时为所有 Lipschitz 凸损失函数提供无悔承诺。

    Jul, 2023

  • 多校准统一收敛的样本复杂度

    本文探讨了机器学习系统中的社会公正问题，提出了一种多校准方法来解决群体公平性问题。通过解耦公平性度量（多校准）和准确性（预测误差），本研究为多校准误差提供了样本复杂度界限，从而保证了经验的与真实的多校准误差相近。

    May, 2020

  • 具有 $\tilde {O}(\sqrt {T})$ 遗憾的高效在线贪心多分类学习

    我们提出了一种高效的二阶算法，用于处理带依赖的多分类问题，同时考虑了由 ETA 参数化的一系列损失函数与竞争者的范式限制。算法能够同时处理从铰链损失 (ETA=0) 到平方铰链损失 (ETA=1) 的这一系列损失函数，这解决了 Abernethy 和 Rakhlin 在 COLT 2009 中的一个开放性问题，并通过实验与早期算法得到了良好的效果。

    Feb, 2017

  • 多分类校准函数

    简化针对多分类替代损失计算校准函数的过程，提出了一种流线化分析方法，以得到利于非参数设置的紧凑且精确的校准函数，而无需为每种新的替代损失重新推导。

    Sep, 2016

  • Top-k 代理损失函数的一致性

    本论文针对计算机视觉中具有挑战性的分类任务，探究了 top-k 误差的一致性分类及校准代理损失的性能，提出了一种具有一致性的新型铰链损失，同时还发现了符号函数作为代理损失函数的限制。

    Jan, 2019

  • 分类器的最小风险校准

    该文介绍了最小风险校准的概念，并在均方误差分解的框架下提出一种校准概率分类器的原则方法，并提出了一种解决标签漂移挑战的两阶段方法。

    May, 2023