論文の概要: Selective Forgetting in Option Calibration: An Operator-Theoretic Gauss-Newton Framework

• arxiv url: http://arxiv.org/abs/2511.14980v1
• Date: Tue, 18 Nov 2025 23:47:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.567459
• Title: Selective Forgetting in Option Calibration: An Operator-Theoretic Gauss-Newton Framework
• Title（参考訳）: オプションキャリブレーションにおける選択的なフォーミング:演算子理論のガウスニュートンフレームワーク
• Authors: Ahmet Umur Özsoy,
• Abstract要約: パラメトリックオプションキャリブレーションにおける選択摂動(機械アンラーニング)の原理的枠組みを導入する。 安定保証, 境界, および, 提案した作用素が標準正則性仮定の下で局所的完全性を満たすことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Calibration of option pricing models is routinely repeated as markets evolve, yet modern systems lack an operator for removing data from a calibrated model without full retraining. When quotes become stale, corrupted, or subject to deletion requirements, existing calibration pipelines must rebuild the entire nonlinear least-squares problem, even if only a small subset of data must be excluded. In this work, we introduce a principled framework for selective forgetting (machine unlearning) in parametric option calibration. We provide stability guarantees, perturbation bounds, and show that the proposed operators satisfy local exactness under standard regularity assumptions.
• Abstract（参考訳）: オプション価格モデルのキャリブレーションは市場が発展するにつれて定期的に繰り返されるが、現代のシステムでは、完全なリトレーニングなしにキャリブレーションされたモデルからデータを除去するオペレータが欠如している。 引用が不安定になったり、破損したり、削除要求を受けた場合、既存のキャリブレーションパイプラインは、たとえデータの小さなサブセットだけを除外しても、非線形の最小二乗問題全体を再構築する必要がある。 本研究では,パラメトリック・オプション・キャリブレーションにおける選択的忘れ(機械アンラーニング)のための原則的枠組みを提案する。 我々は、安定性保証、摂動境界を提供し、提案した作用素が標準正則性仮定の下で局所的正確性を満たすことを示す。

関連論文リスト

• $L_2$-Regularized Empirical Risk Minimization Guarantees Small Smooth Calibration Error [10.968987566851263]
  この研究は、標準$L_2$-regularized empirical risk minimizationがスムーズなキャリブレーション誤差(smCE)を直接制御しているという最初の理論的証明を提供する。 次に、この理論を再現されたカーネルヒルベルト空間のモデルに対してインスタンス化し、カーネルリッジとロジスティック回帰の具体的な保証を導出する。 実験によりこれらの保証が確認され、例えば$L_2$-regularized ERMは、保温後再校正を行なわずによく校正されたモデルを提供できることを示した。
  論文  参考訳（メタデータ） (2025-10-15T11:49:58Z)
• Adaptive Set-Mass Calibration with Conformal Prediction [60.47079469141295]
  提案手法は,まず共形予測から始まり,所望のカバレッジを与えるラベルの集合を得る。 次に、共形制約に合わせて、質量正規化と温度スケーリングに基づくルールの2つの簡単なポストホックキャリブレータをインスタンス化する。
  論文  参考訳（メタデータ） (2025-05-21T12:18:15Z)
• Unconstrained Monotonic Calibration of Predictions in Deep Ranking Systems [29.90543561470141]
  ランク付けモデルの絶対値は、特定の下流タスクに必須である。 既存のキャリブレーション手法では、元の予測を調整するために順序保存特性を持つ事前定義された変換関数を用いるのが一般的である。 本研究では,任意の単調関数を学習可能なunconstrained Monotonic Neural Network (UMNN) を用いたキャリブレータの実装を提案する。 このアプローチはキャリブレータの制約を著しく緩和し、元の予測を過度に歪ませることを避けながら、柔軟性と表現性を向上する。
  論文  参考訳（メタデータ） (2025-04-19T09:35:11Z)
• Optimizing Estimators of Squared Calibration Errors in Classification [2.3020018305241337]
  本稿では,2乗キャリブレーション誤差の推定器の比較と最適化を可能にする平均二乗誤差に基づくリスクを提案する。 キャリブレーション誤差を推定する際のトレーニングバリデーションテストパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:58:06Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Modular Conformal Calibration [80.33410096908872]
  回帰における再校正のためのアルゴリズムを多種多様なクラスで導入する。 このフレームワークは、任意の回帰モデルをキャリブレーションされた確率モデルに変換することを可能にする。 我々は17の回帰データセットに対するMCCの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-06-23T03:25:23Z)
• Unsupervised Calibration under Covariate Shift [92.02278658443166]
  ドメインシフト下でのキャリブレーションの問題を導入し、それに対処するための重要サンプリングに基づくアプローチを提案する。 実世界のデータセットと合成データセットの両方において,本手法の有効性を評価し検討した。
  論文  参考訳（メタデータ） (2020-06-29T21:50:07Z)

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。