本研究は、回帰分析における複数の専門家への委譲の問題に取り組んでいる。従来の分類タスクでは注目を集めていたが、ラベル空間が無限かつ連続的であるため、回帰タスクでは固有の課題がある。
本研究では以下の点を明らかにしている:
単一段階シナリオ(予測関数と委譲関数を同時に学習)と二段階シナリオ(事前学習された予測関数と学習された委譲関数)の両方を分析している。
両シナリオに対して新しい代理損失関数を導入し、それらが強力な一貫性保証を持つことを示している。これらの保証は非漸近的かつ仮説集合依存であり、ベイズ一致性よりも強い。
提案手法は柔軟性が高く、複数の専門家、任意の有界回帰損失、インスタンス依存およびラベル依存のコスト、単一段階および二段階の手法に対応できる。
単一専門家の特殊ケースでは、最近の回帰における棄却フレームワーク(Cheng et al., 2023)を包含することを示している。
広範な実験結果により、提案アルゴリズムの有効性を実証している。
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問