E-values
PulseAugur coverage of E-values — every cluster mentioning E-values across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的再认证范式改进了统计决策
研究人员引入了一种名为再认证的新范式,旨在通过利用未使用的风险预算来改进统计程序。该方法建立在风险控制决策的电子值表示和多重检验的电子闭包原理之上。详细介绍了两个关键应用:一个用于具有已知损失族的保形风险控制,它重新分配未使用的风险预算以创建更有效的控制器;另一个用于具有依赖电子值的错误发现率控制,它产生一种比现有方法更强大的闭式随机程序。在CIFAR-100和其他模拟上的实验表明,与基线方法相比,预算利用率和功效得到了提高。
-
新框架使用统计合同进行战略多智能体资源分配
研究人员引入了一种使用统计合同的战略多智能体资源分配新框架。该方法旨在通过设计将分配限制在“空”智能体而最大化与“非空”智能体的交易来优化资源分配。该系统利用 e-值提供事后风险控制,并允许针对特定损失函数进行多项式时间优化。该框架还解决了在线智能体到达的场景,提供时间一致的误差控制。
-
新的 E-Value 路由器优化文本分类中的多语言文档翻译
研究人员开发了一种新颖的语言级路由器,它使用成对的 e-过程来确定何时翻译多语言文档以进行文本分类。该方法持续比较直接分类与辅助翻译分类,以做出统计控制的路由决策。该系统在 SIB-200 和 MASSIVE 数据集上,通过针对各种语言和地区进行特定翻译选择,展示了在未见数据准确性方面的改进。
-
新的 P2E 校准器提高了共形预测的效率
研究人员开发了一种将共形 p 值转换为 e 值的新方法,解决了现有方法的局限性。这种新颖的 P2E 校准器可确保预测集保持不变,同时可能提高统计效率。该新技术已被证明可以满足覆盖率保证,并提高交叉共形预测和共形聚合等应用中的效率,为不确定性量化开辟了新途径。
-
新研究推进机器学习中的差分隐私以适应和测试
研究人员正在开发新的方法来确保机器学习任务中的差分隐私,特别是在假设检验和测试时自适应方面。一篇论文介绍了流行的测试时自适应技术的差分隐私版本,表明它们可以在保护用户数据的同时保持准确性。另一项研究侧重于使用 e-值的差分隐私假设检验的最优率,提供了与理论界限相匹配并优于现有方法的算法。第三篇论文在高斯差分隐私下提出了近乎最优的简单假设和似然比假设的隐私检验,即使在数据量有限和隐私预算有限的情况下也表现出强大的性能。