論文の概要: Graph-Smoothed Bayesian Black-Box Shift Estimator and Its Information Geometry

• arxiv url: http://arxiv.org/abs/2505.16251v1
• Date: Thu, 22 May 2025 05:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.060334
• Title: Graph-Smoothed Bayesian Black-Box Shift Estimator and Its Information Geometry
• Title（参考訳）: グラフ平滑ベイズブラックボックスシフト推定器とその情報幾何学
• Authors: Masanari Kimura,
• Abstract要約: 我々は、ラプラシア・ガウスの先行をターゲットログプライアと混乱行列の両方に配置し、ラベル類似性グラフ上でそれらを結び付ける、完全に確率的な代替案を提案する。 我々は、識別可能性、$N-1/2$の縮約、グラフの代数的接続と縮退する分散境界、ラプラス的不特定性に対するロバスト性を証明する。
• 参考スコア（独自算出の注目度）: 1.1240642213359266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Label shift adaptation aims to recover target class priors when the labelled source distribution $P$ and the unlabelled target distribution $Q$ share $P(X \mid Y) = Q(X \mid Y)$ but $P(Y) \neq Q(Y)$. Classical black-box shift estimators invert an empirical confusion matrix of a frozen classifier, producing a brittle point estimate that ignores sampling noise and similarity among classes. We present Graph-Smoothed Bayesian BBSE (GS-B$^3$SE), a fully probabilistic alternative that places Laplacian-Gaussian priors on both target log-priors and confusion-matrix columns, tying them together on a label-similarity graph. The resulting posterior is tractable with HMC or a fast block Newton-CG scheme. We prove identifiability, $N^{-1/2}$ contraction, variance bounds that shrink with the graph's algebraic connectivity, and robustness to Laplacian misspecification. We also reinterpret GS-B$^3$SE through information geometry, showing that it generalizes existing shift estimators.
• Abstract（参考訳）: ラベルシフト適応は、ラベル付きソースディストリビューション$P$と未ラベルのターゲットディストリビューション$Q$ share $P(X \mid Y) = Q(X \mid Y)$ but $P(Y) \neq Q(Y)$の場合にターゲットクラス前の値を復元することを目的としている。 古典的なブラックボックスシフト推定器は、凍結分類器の経験的混乱行列を反転させ、クラス間のサンプリングノイズや類似性を無視した脆点推定を生成する。 グラフ平滑なベイズ式BBSE (GS-B$^3$SE) は、ラプラシア・ガウス式をターゲットの対数と混同行列の両方に配置し、ラベル相似グラフ上でそれらを結び付ける、完全に確率的な代替手段である。 後部はHMCまたは高速ブロックNewton-CGスキームで牽引可能である。 我々は、識別可能性、$N^{-1/2}$縮合、グラフの代数的接続と縮退する分散境界、ラプラス的不特定性に対するロバスト性を証明する。 また、情報幾何学を用いてGS-B$^3$SEを解釈し、既存のシフト推定器を一般化することを示す。

関連論文リスト

• A mixing time bound for Gibbs sampling from log-smooth log-concave distributions [0.8702432681310401]
  ログスムースと強いログコンケーブ対象分布のクラスにおけるギブスサンプリング器の挙動について検討した。 Gibbsのサンプルは、少なくとも$Ostarleft(kappa2 n7.5left(maxleft1,sqrtfrac1nlog frac2Mgammarightright2right)$のステップで、条件番号$kappa$の分布から合計で$gamma$以下の誤差を持つサンプルを生成する必要がある。
  論文  参考訳（メタデータ） (2024-12-23T19:00:02Z)
• Semidefinite programming relaxations and debiasing for MAXCUT-based clustering [1.9761774213809036]
  2つのガウス分布を$mathbbRp$で混合して引き出す小さなデータサンプルを$n$で分割する問題を考察する。 グラフ上の最大カットを求めるように定式化された整数二次プログラムの半定値プログラミング緩和を用いる。
  論文  参考訳（メタデータ） (2024-01-16T03:14:24Z)
• Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions with "Spurious" Correlations [44.99833362998488]
  テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。 本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:52:33Z)
• How Does Pseudo-Labeling Affect the Generalization Error of the Semi-Supervised Gibbs Algorithm? [73.80001705134147]
  擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。 ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
  論文  参考訳（メタデータ） (2022-10-15T04:11:56Z)
• Efficient Signed Graph Sampling via Balancing & Gershgorin Disc Perfect Alignment [51.74913666829224]
  強い反相関を持つデータセットに対して、適切なグラフは正および負のエッジ重みの両方を含むことを示す。 本稿では,平衡符号グラフの概念に着目した線形時間符号グラフサンプリング手法を提案する。 実験結果から, 署名付きグラフサンプリング手法は, 各種データセットにおいて, 既存の高速サンプリング方式よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-18T09:19:01Z)
• Bi-stochastically normalized graph Laplacian: convergence to manifold Laplacian and robustness to outlier noise [10.418647759223965]
  双確率正規化 (bi-stochastic normalization) はグラフベースのデータ解析においてグラフラプラシアンの代替正規化を提供する。 両階層正規化グラフ Laplacian から (重み付き) Laplacian への収束を速度で証明する。 多様体データが外乱ノイズによって破損した場合、理論的にはラプラシア点の整合性を証明する。
  論文  参考訳（メタデータ） (2022-06-22T21:08:24Z)
• Projection-free Graph-based Classifier Learning using Gershgorin Disc Perfect Alignment [59.87663954467815]
  グラフベースのバイナリ学習では、既知のラベルのサブセット$hatx_i$を使って未知のラベルを推論する。 ラベルの$x_i$をバイナリ値に制限する場合、問題はNPハードである。 代わりに線形プログラム(LP)の列を解くことにより,高速なプロジェクションフリー手法を提案する。
  論文  参考訳（メタデータ） (2021-06-03T07:22:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。