详细内容或原文请订阅后点击阅览
全球校准如何增强多通用
多循环级和多核算是预测的多组公平概念，这些概念在学习和计算复杂性中发现了许多应用。可以从单个学习原始学习中实现它们：弱的不可知论学习。在这里，我们调查了多个学习原始性的功能，无论有没有其他校准的假设。我们发现，多扫描本身相当薄弱，但是添加全球校准（此概念称为校准的多辅助性）大大提高了其功能，足以恢复……
来源:Apple机器学习研究多循环级和多核算是预测的多组公平概念，这些概念在学习和计算复杂性中发现了许多应用。可以从单个学习原始学习中实现它们：弱的不可知论学习。在这里，我们调查了多个学习原始性的功能，无论有没有其他校准的假设。我们发现，多频率本身相当薄弱，但是添加全球校准（此概念称为校准的多辅助性）大大提高了其功率，足以恢复以前仅假定具有更强的数字概念的含义。
我们提供的证据表明，通过表明在后期制作的多辅助预测指标可以获得弱学习者，即使假设最佳假设具有相关性1/2，多数频率可能不像标准弱的不可知论学习能力那样强大。相反，我们表明它产生了弱的不可知论学习的受限形式，这要求同类中的某些概念与标签的相关性大于1/2。但是，还需要校准预测变量，我们不仅恢复弱，而且恢复了强大的不可知论学习。一方面，虽然多辅助性仅产生一半最佳密度的硬核度量，但我们表明（加权版本）校准的多辅助性达到了最佳密度。我们的结果对每种环境中的多审计级和校准发挥的互补作用产生了新的见解。他们阐明了为什么多辅助性和全球校准虽然本身并不是特别强大，但共同产生了更强的观念。
- †牛津大学‡斯坦福大学