Algoritmik monokültür sorununu hafifletmenin bir yolu olarak Muhtemelen Yaklaşık Doğru (PAC) öğrenmede monokültür sağlamlığı kavramını tanıtıyoruz (Kleinberg ve Raghavan, 2021): aynı bileşenleri (örneğin eğitim verileri) paylaşan modellerin aynı girdilerde başarısız olma eğilimi. Spesifik olarak, tek bir veri kümesine erişimi olan bir öğrencinin, ortak başarısızlık olasılığı $k$ bağımsız veri kümeleri üzerinde eğitimle karşılaştırılabilir olan $k$ bireysel olarak doğru hipotezler üretip üretemeyeceğini soruyoruz. Böyle bir öğrenme prosedürünün monokültür sağlamlığına ulaştığını söylüyoruz ve bunu, bireysel anlamda tüm $k$ hipotezlerinin noktaları yanlış sınıflandırdığı bağlaç hatasını sınırlayarak ölçüyoruz.
- Algoritmik monokültür sorununu hafifletmenin bir yolu olarak Muhtemelen Yaklaşık Doğru (PAC) öğrenmede monokültür sağlamlığı kavramını tanıtıyoruz (Kleinberg ve Raghavan, 2021): aynı bileşenleri (örneğin eğitim verileri) paylaşan modellerin aynı girdilerde başarısız olma eğilimi.
- Spesifik olarak, tek bir veri kümesine erişimi olan bir öğrencinin, ortak başarısızlık olasılığı $k$ bağımsız veri kümeleri üzerinde eğitimle karşılaştırılabilir olan $k$ bireysel olarak doğru hipotezler üretip üretemeyeceğini soruyoruz.
- Böyle bir öğrenme prosedürünün monokültür sağlamlığına ulaştığını söylüyoruz ve bunu, bireysel anlamda tüm $k$ hipotezlerinin noktaları yanlış sınıflandırdığı bağlaç hatasını sınırlayarak ölçüyoruz.
Algoritmik monokültür sorununu hafifletmenin bir yolu olarak Muhtemelen Yaklaşık Doğru (PAC) öğrenmede monokültür sağlamlığı kavramını tanıtıyoruz (Kleinberg ve Raghavan, 2021): aynı bileşenleri (örneğin eğitim verileri) paylaşan modellerin aynı girdilerde başarısız olma eğilimi.
02 Özet
Algoritmik monokültür sorununu hafifletmenin bir yolu olarak Muhtemelen Yaklaşık Doğru (PAC) öğrenmede monokültür sağlamlığı kavramını tanıtıyoruz (Kleinberg ve Raghavan, 2021): aynı bileşenleri (örneğin eğitim verileri) paylaşan modellerin aynı girdilerde başarısız olma eğilimi. Spesifik olarak, tek bir veri kümesine erişimi olan bir öğrencinin, ortak başarısızlık olasılığı $k$ bağımsız veri kümeleri üzerinde eğitimle karşılaştırılabilir olan $k$ bireysel olarak doğru hipotezler üretip üretemeyeceğini soruyoruz. Böyle bir öğrenme prosedürünün monokültür sağlamlığına ulaştığını söylüyoruz ve bunu, bireysel anlamda tüm $k$ hipotezlerinin noktaları yanlış sınıflandırdığı bağlaç hatasını sınırlayarak ölçüyoruz. Tekrarlanabilirlik (Impagliazzo ve diğerleri, 2022) ile monokültür sağlamlığı arasında şaşırtıcı bir bağlantı kurarak bu tür bir garantiye ulaşmak için yöntemler tasarlıyoruz. Spesifik olarak, eğer temel öğrenici $ρ$-kopyalanabilirse, o zaman onu aynı örnek üzerinde bağımsız olarak $k$ kez çalıştırmanın, temel öğrenicinin noktadaki tek çalıştırma hatası ve $ρ$ tarafından kontrol edilen $k$ ile üstel olarak küçülen bireysel monokültür hatası verdiğini gösteriyoruz. Bu olumlu sonuçları bir alt sınırla tamamlıyoruz: bireysel monokültür sağlamlığı için, öğrenciler için bireysel birleşik hatayı $γ$'a düşürmenin $t = Ω(log(1/γ))$ örnek boyutu çarpanını gerektirebileceğini gösteren en kötü durum alt sınırını kanıtlıyoruz.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
We introduce a notion of monoculture robustness in Probably Approximately Correct (PAC) learning, as a way to mitigate the problem of algorithmic monoculture (Kleinberg and Raghavan, 2021): the tendency of models sharing the same components (e.g., training data) to fail on the same inputs. Specifically, we ask whether a learner with access to a single dataset can output $k$ individually accurate hypotheses whose joint failure probability is comparable to training on $k$ independent datasets. We say that such a learning procedure achieves monoculture robustness, and we quantify this by bounding the conjunctive error that all $k$ hypotheses misclassify points in an individual sense. We design methods for achieving this type of guarantee by drawing a surprising connection between replicability (Impagliazzo et al., 2022) and monoculture robustness. Specifically, we show that if the base learner is $ρ$-replicable, then running it independently $k$ times on the same sample yields individual monoculture error that shrinks exponentially with $k$, controlled by the single-run error of the base learner at the point and $ρ$. We complement these positive results with a lower bound: for individual monoculture robustness, we prove a worst-case lower bound showing that, for learners, driving the individual conjunctive error down to $γ$ can require a sample-size multiplier of $t = Ω(log(1/γ))$.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{cohen2026monoculture,
title = {Monoculture Robust Learning},
author = {Lee Cohen and Jon Kleinberg and Omer Reingold},
journal = {arXiv preprint arXiv:2611.24881},
year = {2026},
url = {https://arxiv.org/abs/2611.24881}
}
Cohen, L., Kleinberg, J., & Reingold, O. (2026). Monokültür Sağlam Öğrenme. arXiv. https://arxiv.org/abs/2611.24881
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın