論文の概要: Nonlinear Performative Prediction

• arxiv url: http://arxiv.org/abs/2509.01139v1
• Date: Mon, 01 Sep 2025 05:17:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.551421
• Title: Nonlinear Performative Prediction
• Title（参考訳）: 非線形摂動予測
• Authors: Guangzheng Zhong, Yang Liu, Jiming Liu,
• Abstract要約: パフォーマンス予測(Performative prediction)は、機械学習における新たなパラダイムであり、モデルの予測が予測するデータの分布の変化を誘発するシナリオに対処する。 本稿では,本質的な理論的特性を保ちつつ,非線形ケースに対する性能予測を一般化する新しい設計を提案する。 予測モデルの性能安定性を保証するアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 6.621349481928294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performative prediction is an emerging paradigm in machine learning that addresses scenarios where the model's prediction may induce a shift in the distribution of the data it aims to predict. Current works in this field often rely on uncontrollable assumptions, such as bounded gradients of performative loss, and primarily focus on linear cases in their examples and evaluations to maintain consistency between theoretical guarantees and empirical validations. However, such linearity rarely holds in real-world applications, where the data usually exhibit complex nonlinear characteristics. In this paper, we relax these out-of-control assumptions and present a novel design that generalizes performative prediction to nonlinear cases while preserving essential theoretical properties. Specifically, we formulate the loss function of performative prediction using a maximum margin approach and extend it to nonlinear spaces through kernel methods. To quantify the data distribution shift, we employ the discrepancy between prediction errors on these two distributions as an indicator, which characterizes the impact of the performative effect on specific learning tasks. By doing so, we can derive, for both linear and nonlinear cases, the conditions for performative stability, a critical and desirable property in performative contexts. Building on these theoretical insights, we develop an algorithm that guarantees the performative stability of the predictive model. We validate the effectiveness of our method through experiments on synthetic and real-world datasets with both linear and nonlinear data distributions, demonstrating superior performance compared to state-of-the-art baselines.
• Abstract（参考訳）: パフォーマンス予測(Performative prediction)は、機械学習における新たなパラダイムであり、モデルの予測が予測するデータの分布の変化を誘発するシナリオに対処する。 この分野での現在の研究は、しばしば制御不能な仮定(例えば、性能損失の有界勾配など)に依存し、主に、理論的な保証と経験的検証の間の一貫性を維持するために、その例と評価における線形ケースに焦点を当てる。 しかし、そのような線形性は、典型的には複雑な非線形特性を示す実世界の応用ではまれである。 本稿では,これらの制御不能な仮定を緩和し,本質的な理論的特性を保ちつつ,非線形ケースに対する性能予測を一般化する新しい設計を提案する。 具体的には、最大辺法を用いて性能予測の損失関数を定式化し、カーネル法により非線形空間に拡張する。 データ分布のシフトを定量化するために、これらの2つの分布の予測誤差の相違を指標として、特定の学習課題に対する演奏効果の影響を特徴付ける。 そうすることで、線形および非線形の場合にも、実行安定性の条件、実行文脈における臨界かつ望ましい性質を導出できる。 これらの理論的知見に基づいて,予測モデルの性能安定性を保証するアルゴリズムを開発した。 線形データ分布と非線形データ分布の両方を用いた合成および実世界のデータセット実験により,本手法の有効性を検証し,最先端のベースラインと比較して優れた性能を示す。

関連論文リスト

• Multiply Robust Conformal Risk Control with Coarsened Data [0.0]
  コンフォーマル予測(CP)は近年,膨大な関心を集めている。 本稿では、粗いデータから得られる結果に対して、分布自由な有効予測領域を得るという一般的な問題について考察する。 半パラメトリック理論の原則的利用は、フレキシブルな機械学習手法の促進の鍵となる利点を持つ。
  論文  参考訳（メタデータ） (2025-08-21T12:14:44Z)
• Causality-Inspired Robustness for Nonlinear Models via Representation Learning [4.64479351797195]
  分散ロバスト性は,実世界のデータにおける分布シフトの偏りから,予測アルゴリズムの中心的な目標である。 本稿では,因果的枠組みに基づく非線形手法を提案する。 我々の知る限り、これは非線形設定においてそのような有限半径頑健性を保証するような因果性に着想を得た最初のロバスト性法である。
  論文  参考訳（メタデータ） (2025-05-19T08:52:15Z)
• Importance Sampling for Nonlinear Models [5.421981644827842]
  非線形写像の随伴作用素の概念を導入する。 これらのノルムとレバレッジスコアの概念に基づくサンプリングは、基礎となる非線形写像に対して近似を保証することを実証する。
  論文  参考訳（メタデータ） (2025-05-18T10:34:39Z)
• Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
  点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。 本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
  論文  参考訳（メタデータ） (2024-05-30T10:49:22Z)
• Bayesian Inference for Consistent Predictions in Overparameterized Nonlinear Regression [0.0]
  本研究では,ベイズフレームワークにおける過パラメータ化非線形回帰の予測特性について検討した。 リプシッツ連続活性化関数を持つ一般化線形および単一ニューロンモデルに対して後部収縮が成立する。 提案手法は数値シミュレーションと実データアプリケーションを用いて検証した。
  論文  参考訳（メタデータ） (2024-04-06T04:22:48Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Graph Embedding with Data Uncertainty [113.39838145450007]
  スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。 ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
  論文  参考訳（メタデータ） (2020-09-01T15:08:23Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Balance-Subsampled Stable Prediction [55.13512328954456]
  本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。 設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。 合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-06-08T07:01:38Z)

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。