Roth 论文揭示校准多准确性随机化分离

Aaron Roth 发布与陆玖尧（LuJiuyao）、Georgy Noarov 合作的论文，证明学习校准多准确性（calibrated multiaccuracy）所需的极小化极大样本复杂度，在测试时是否允许随机化两种设定之间存在严格的多项式分离：允许随机化的预测器所需样本量明显更低，而限制为确定性预测器时复杂度会上升。 论文还指出，在 omniprediction、快速达成一致（rapid convergence to agreement）和 hard core set 构造这几类应用中，多校准往往属于过度配置，实际只需全局校准加多准确性即可。该论文由 Roth 分享链接，同一合作者组合此前亦发布过多准确性样本复杂度研究。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。