多准确性学习样本复杂度竟取决于测试时是否允许随机化
Aaroth · x · 2026-11-03
作者讨论校准多准确性(calibrated multiaccuracy)的学习问题:多校准(multicalibration)虽可支撑 omniprediction、快速达成一致、硬核集构造等应用,但对这些场景往往过重,理论上只需全局校准加多准确性。作者指出一个反直觉结论:校准多准确性确实能减少所需样本(前提是群组数量不算太多),但其样本复杂度竟然取决于模型在测试时是否被允许随机化——而大多数单分布学习问题并不需要随机化。
所属事件:Aaron Roth 新论文：校准多准确性的样本复杂度出现随机化分离(4 条相关)→
「研究」频道最新
- 浙大团队提出 PrimaCons 基准:揭示 Jev 跨原语决策不一致性 — Xu Liu · 2026-11-03
- 浙大等提出 MACR 框架:置信度接力式多智能体协作,token 开销降 6 倍 — Xu Liu · 2026-11-03
- MIT 权重空间编程被指或为持续学习的真正突破口 — daniel_mac8 · 2026-11-03
- 评测研究者 LChoshen 宣布加入魏茨曼科学研究所创办 CoLab — LChoshen · 2026-11-03
- 编辑 0.016% 权重根治 Qwen 推理死循环，MATH-500 从 7.9% 升至 48.1% — DeliciousGorilla · 2026-11-03
- MIT 提出 Soft-MTP：一行代码去掉 80% 噪声梯度，免费提升 LLM 预训练 — kastnerkyle · 2026-11-03