PPI-SVRG: Unifying Prediction-Powered Inference and Variance Reduction for Semi-Supervised Optimization
PPI-SVRG：统一预测辅助推断与半监督优化的方差缩减AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用半监督优化与控制变量，未提供足以对应所列计量领域细分的具体目标。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
PPI-SVRG：统一预测辅助推断与半监督优化的方差缩减
- 研究问题
- 在标注数据稀缺但已有预训练模型预测时，如何结合预测辅助推断与随机方差缩减梯度，改善半监督随机优化表现？
- 方法与思路
- 作者用控制变量统一预测与参考梯度的方差缩减机制，提出联合算法，并将收敛界分解为标准收敛率和预测不确定性误差底限。
- 材料陈述的贡献
- 摘要称预测质量影响最终误差邻域而不改变由损失几何决定的速率，完美预测时恢复标准方法，并报告均值及图像分类实验。
- 阅读关注点
- 应核对两种方法数学等价的具体设定、损失函数与采样条件，以及预测误差底限的定义和实验比较是否控制标注预算。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未完整说明收敛条件，所报实验改善不能据此推广至其他任务。
原文摘要
We study semi-supervised stochastic optimization when labeled data is scarce but predictions from pre-trained models are available. PPI and SVRG both reduce variance through control variates -- PPI uses predictions, SVRG uses reference gradients. We show they are mathematically equivalent and develop PPI-SVRG, which combines both. Our convergence bound decomposes into the standard SVRG rate plus an error floor from prediction uncertainty. The rate depends only on loss geometry; predictions affect only the neighborhood size. When predictions are perfect, we recover SVRG exactly. When predictions degrade, convergence remains stable but reaches a larger neighborhood. Experiments confirm the theory: PPI-SVRG reduces MSE by 43--52\% under label scarcity on mean estimation benchmarks and improves test accuracy by 2.7--2.9 percentage points on MNIST with only 10\% labeled data.