arXiv上发表的两篇新论文探讨了机器学习中多校准的理论基础。第一篇论文确立了在线多校准的紧确下界，证明了与边际校准在信息论上的分离。第二篇论文研究了批量设置中多校准的样本复杂度，证明了要达到一定的误差容忍度，需要 $\widetilde{\Theta}(\varepsilon^{-3})$ 个样本，且该数量是充分必要的。 AI
影响 这些理论发现可能通过阐明校准的基本限制，为开发更鲁棒和公平的机器学习模型提供信息。
排序理由 该集群包含两篇发表在arXiv上的学术论文，涉及机器学习校准的理论方面。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2601.05245v2 Announce Type: replace-cross Abstract: We prove tight lower bounds for online multicalibration, establishing an information-theoretic separation from marginal calibration. In the general setting where group functions can depend on both context and the learner's…
We study the minimax sample complexity of multicalibration in the batch setting. A learner observes $n$ i.i.d. samples from an unknown distribution and must output a (possibly randomized) predictor whose population multicalibration error, measured by Expected Calibration Error (E…