Fugu-MT 論文翻訳(概要): Modular Jets for Supervised Pipelines: Diagnosing Mirage vs Identifiability

論文の概要: Modular Jets for Supervised Pipelines: Diagnosing Mirage vs Identifiability

arxiv url: http://arxiv.org/abs/2512.05638v1
Date: Fri, 05 Dec 2025 11:30:46 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-13 22:40:57.006894
Title: Modular Jets for Supervised Pipelines: Diagnosing Mirage vs Identifiability
Title（参考訳）: 監視管用モジュールジェット:ミラージと識別可能性の診断
Authors: Suman Sanyal,
Abstract要約: 回帰および分類パイプラインのためのEmphModular Jetsを紹介する。局所線形応答写像である経験ジェットを推定する。本稿では,経験的ジェット推定とミラージュ診断のためのアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Classical supervised learning evaluates models primarily via predictive risk on hold-out data. Such evaluations quantify how well a function behaves on a distribution, but they do not address whether the internal decomposition of a model is uniquely determined by the data and evaluation design. In this paper, we introduce \emph{Modular Jets} for regression and classification pipelines. Given a task manifold (input space), a modular decomposition, and access to module-level representations, we estimate empirical jets, which are local linear response maps that describe how each module reacts to small structured perturbations of the input. We propose an empirical notion of \emph{mirage} regimes, where multiple distinct modular decompositions induce indistinguishable jets and thus remain observationally equivalent, and contrast this with an \emph{identifiable} regime, where the observed jets single out a decomposition up to natural symmetries. In the setting of two-module linear regression pipelines we prove a jet-identifiability theorem. Under mild rank assumptions and access to module-level jets, the internal factorisation is uniquely determined, whereas risk-only evaluation admits a large family of mirage decompositions that implement the same input-to-output map. We then present an algorithm (MoJet) for empirical jet estimation and mirage diagnostics, and illustrate the framework using linear and deep regression as well as pipeline classification.
Abstract（参考訳）: 古典的な教師付き学習は、主にホールドアウトデータに対する予測リスクによってモデルを評価します。このような評価は、関数が分布に対してどのように振る舞うかを定量化するが、モデルの内部分解がデータと評価設計によって一意に決定されるかどうかには対処しない。本稿では,回帰および分類パイプラインのためのemph{Modular Jets}を紹介する。タスク多様体(入力空間)、モジュラ分解、およびモジュールレベルの表現へのアクセスが与えられたとき、各モジュールが入力の小さな構造的摂動にどのように反応するかを記述する局所線型応答写像である経験的ジェットを推定する。我々は、複数の異なるモジュラー分解が区別不能なジェットを誘導し、したがって観測的に等価な状態にあるという経験的概念を、観測されたジェットが自然の対称性まで分解を逸脱する 'emph{identible} レジームと対比する。 2-加群線型回帰パイプラインの設定において、ジェット識別可能性定理を証明する。緩やかなランクの仮定とモジュールレベルのジェットへのアクセスの下では、内部分解は一意に決定されるが、リスクのみの評価は、同じ入出力マップを実装する多数のミラージュ分解を許容する。次に,経験的ジェット推定とミラージュ診断のためのアルゴリズム (MoJet) を提案する。

関連論文リスト

Pathway to $O(\sqrt{d})$ Complexity bound under Wasserstein metric of flow-based models [1.724966705006084]
We provide tools to estimates the error of flow-based generative model under the Wasserstein metric。この誤差は、次元と独立にスケールする後方流のプッシュフォワード写像のリプシッツ性という2つの部分によって明示的に制御できることを示す。
論文参考訳（メタデータ） (2025-12-07T07:26:39Z)
SSLfmm: An R Package for Semi-Supervised Learning with a Mixed-Missingness Mechanism in Finite Mixture Models [2.0253523660913664]
半教師付き学習(SSL)は、観測のサブセットのみをラベル付けしたデータセットから分類器を構築する。観察が損なわれない可能性は、その特徴ベクトルのあいまいさに依存する可能性があるため、不足過程は有益なものとなる。このパッケージにはモデリングの実用的なツールが含まれており、シミュレートされた例を通してそのパフォーマンスを説明している。
論文参考訳（メタデータ） (2025-12-03T00:14:33Z)
Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文参考訳（メタデータ） (2025-10-16T03:37:16Z)
Multivariate Bernoulli Hoeffding Decomposition: From Theory to Sensitivity Analysis [2.762021507766656]
この研究はベルヌーイの入力の場合に焦点を当て、分解の完全な解析的特性を提供する。この離散的な設定では、関連する部分空間は一次元であり、分解が閉形式表現を持つことを示す。本稿は,方法論を高次元設定に拡張し,有限な非バイナリサポートを持つ入力を含むモデルに拡張する,という視点で締めくくっている。
論文参考訳（メタデータ） (2025-10-08T14:46:20Z)
Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
論文参考訳（メタデータ） (2025-02-11T19:24:09Z)
Bilinear Convolution Decomposition for Causal RL Interpretability [0.0]
強化学習(RL)モデルを解釈する試みは、しばしば帰属や探究のような高度な技術に依存している。本研究では、畳み込みニューラルネットワーク(ConvNets)の非線形性を双線型変種に置き換え、これらの制限に対処可能なモデルのクラスを作成することを提案する。モデルフリー強化学習環境では,バイリニアモデルの変形が相容れないことを示し,ProcGen環境上での並べ比較を行う。
論文参考訳（メタデータ） (2024-12-01T19:32:04Z)
Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
局所変換近傍における分類器の出力不変性の尺度を提案する。私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
論文参考訳（メタデータ） (2022-07-05T14:55:16Z)
A Data-Driven Approach for Linear and Nonlinear Damage Detection Using Variational Mode Decomposition and GARCH Model [13.183011809131235]
信号処理と特徴抽出のための変分モード分解(VMD)と一般化された自己回帰条件不整合性(GARCH)モデルをデプロイする。提案手法の性能を線形および非線形損傷評価の2つの実験モデルで評価した。
論文参考訳（メタデータ） (2021-11-16T17:01:26Z)
Generative Flows with Invertible Attentions [135.23766216657745]
生成フローモデルに対する2種類の非可逆的注意機構を導入する。フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
論文参考訳（メタデータ） (2021-06-07T20:43:04Z)
Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文参考訳（メタデータ） (2020-09-29T12:50:33Z)
Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。