Fugu-MT 論文翻訳(概要): MIRRAMS: Towards Training Models Robust to Missingness Distribution Shifts

論文の概要: MIRRAMS: Towards Training Models Robust to Missingness Distribution Shifts

arxiv url: http://arxiv.org/abs/2507.08280v1
Date: Fri, 11 Jul 2025 03:03:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-14 18:03:54.23073
Title: MIRRAMS: Towards Training Models Robust to Missingness Distribution Shifts
Title（参考訳）: MIRRAMS:損失分布シフトに頑健なトレーニングモデルを目指して
Authors: Jihye Lee, Minseo Kang, Dongha Kim,
Abstract要約: 実世界のデータ分析では、トレーニングとテスト入力データセット間の分散シフトが頻繁に発生する。本稿では,不足度分布の変化に対処する新しいディープラーニングフレームワークを提案する。提案手法は,データの欠落を伴わずに最先端の性能を実現し,半教師付き学習タスクに自然に拡張することができる。
参考スコア（独自算出の注目度）: 2.5357049657770516
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In real-world data analysis, missingness distributional shifts between training and test input datasets frequently occur, posing a significant challenge to achieving robust prediction performance. In this study, we propose a novel deep learning framework designed to address such shifts in missingness distributions. We begin by introducing a set of mutual information-based conditions, called MI robustness conditions, which guide a prediction model to extract label-relevant information while remaining invariant to diverse missingness patterns, thereby enhancing robustness to unseen missingness scenarios at test-time. To make these conditions practical, we propose simple yet effective techniques to derive loss terms corresponding to each and formulate a final objective function, termed MIRRAMS(Mutual Information Regularization for Robustness Against Missingness Shifts). As a by-product, our analysis provides a theoretical interpretation of the principles underlying consistency regularization-based semi-supervised learning methods, such as FixMatch. Extensive experiments across various benchmark datasets show that MIRRAMS consistently outperforms existing baselines and maintains stable performance across diverse missingness scenarios. Moreover, our approach achieves state-of-the-art performance even without missing data and can be naturally extended to address semi-supervised learning tasks, highlighting MIRRAMS as a powerful, off-the-shelf framework for general-purpose learning.
Abstract（参考訳）: 実世界のデータ分析では、トレーニングとテスト入力データセット間の分散シフトの欠如が頻繁に発生し、堅牢な予測性能を達成する上で大きな課題となっている。本研究では,失語度分布の変化に対処する新しいディープラーニングフレームワークを提案する。まず,多彩な欠落パターンに不変なままラベル関連情報を抽出するための予測モデルであるMIロバストネス条件という,相互情報に基づく条件のセットを導入し,テスト時の欠落シナリオに対するロバストネスの強化を図る。これらの条件を実用的なものにするために,MIRRAMS (Mutual Information Regularization for Robustness Against Missingness Shifts) と呼ばれる最終目的関数を定式化する手法を提案する。副産物として、FixMatchのような一貫性正規化に基づく半教師あり学習法の基礎となる原理を理論的に解釈する。さまざまなベンチマークデータセットにわたる大規模な実験は、MIRRAMSが既存のベースラインを一貫して上回り、さまざまな欠落シナリオにわたって安定したパフォーマンスを維持していることを示している。さらに,本手法は,データの欠落を伴わずに最先端の性能を実現し,半教師付き学習タスクに自然に拡張可能であり,汎用学習のための強力なオフザシェルフフレームワークとしてMIRRAMSを強調した。

関連論文リスト

Confidence-Aware Self-Distillation for Multimodal Sentiment Analysis with Incomplete Modalities [15.205192581534973]
マルチモーダル感情分析は、マルチモーダルデータを通して人間の感情を理解することを目的としている。既存のモダリティの欠如を扱う方法は、データ再構成や共通部分空間投影に基づいている。マルチモーダルな確率的埋め込みを効果的に組み込んだ信頼性認識型自己蒸留(CASD)戦略を提案する。
論文参考訳（メタデータ） (2025-06-02T09:48:41Z)
Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文参考訳（メタデータ） (2025-02-17T18:04:39Z)
Learning Dynamic Representations via An Optimally-Weighted Maximum Mean Discrepancy Optimization Framework for Continual Learning [16.10753846850319]
継続的な学習は、モデルを永続的に取得し、保持することを可能にする。悲惨な忘れ物はモデルパフォーマンスを著しく損なう本稿では,表現変更に対する罰則を課す,OPMMD(Optimally-Weighted Mean Discrepancy)と呼ばれる新しいフレームワークを紹介する。
論文参考訳（メタデータ） (2025-01-21T13:33:45Z)
Testing Generalizability in Causal Inference [3.547529079746247]
機械学習アルゴリズムの一般化性を統計的に評価するための公式な手続きは存在しない。本研究では,高次元因果推論モデルの一般化可能性を統計的に評価するための体系的枠組みを提案する。
論文参考訳（メタデータ） (2024-11-05T11:44:00Z)
Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。以上の結果から,PbMARLの多面的アプローチが示唆された。
論文参考訳（メタデータ） (2024-09-01T13:14:41Z)
Distributionally Robust Reinforcement Learning with Interactive Data Collection: Fundamental Hardness and Near-Optimal Algorithm [14.517103323409307]
Sim-to-realのギャップは、トレーニングとテスト環境の相違を表している。この課題に対処するための有望なアプローチは、分布的に堅牢なRLである。我々は対話型データ収集によるロバストなRLに取り組み、証明可能なサンプル複雑性を保証するアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-04-04T16:40:22Z)
Revisiting the Robustness of the Minimum Error Entropy Criterion: A Transfer Learning Case Study [16.07380451502911]
本稿では,非ガウス雑音に対処する最小誤差エントロピー基準のロバスト性を再考する。本稿では,分散シフトが一般的である実生活伝達学習回帰タスクの実現可能性と有用性について検討する。
論文参考訳（メタデータ） (2023-07-17T15:38:11Z)
Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文参考訳（メタデータ） (2021-11-11T14:28:12Z)
Distributionally Robust Learning [11.916893752969429]
本書は,データの摂動に頑健な包括的統計学習フレームワークを開発する。各問題に対する引き込み可能なDRO緩和が導出され、境界と正規化の間の接続が確立される。理論以外にも、数値実験や、合成データと実データを用いたケーススタディも含んでいる。
論文参考訳（メタデータ） (2021-08-20T04:14:18Z)
Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-09-30T05:29:01Z)
Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文参考訳（メタデータ） (2020-07-07T18:25:25Z)
Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。