論文の概要: Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization

• arxiv url: http://arxiv.org/abs/2601.22944v1
• Date: Fri, 30 Jan 2026 13:03:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.453026
• Title: Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization
• Title（参考訳）: 総変量不変リスク最小化のための環境条件付きテールリヘアリング
• Authors: Wang Yuanchao, Lai Zhao-Rong, Zhong Tianqi, Li Fengnan,
• Abstract要約: EmphEnvironment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization (ECTR)を提案する。 ECTRは、環境条件付き尾重み付けによるテレビベースの不変学習を強化し、両方のタイプの分散シフトに共同で対処する。 最小限の定式化を通じて潜在環境を推測することにより、明示的な環境アノテーションなしでフレームワークをシナリオに拡張する。
• 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: Out-of-distribution (OOD) generalization remains challenging when models simultaneously encounter correlation shifts across environments and diversity shifts driven by rare or hard samples. Existing invariant risk minimization (IRM) methods primarily address spurious correlations at the environment level, but often overlook sample-level heterogeneity within environments, which can critically impact OOD performance. In this work, we propose \emph{Environment-Conditioned Tail Reweighting for Total Variation Invariant Risk Minimization} (ECTR), a unified framework that augments TV-based invariant learning with environment-conditioned tail reweighting to jointly address both types of distribution shift. By integrating environment-level invariance with within-environment robustness, the proposed approach makes these two mechanisms complementary under mixed distribution shifts. We further extend the framework to scenarios without explicit environment annotations by inferring latent environments through a minimax formulation. Experiments across regression, tabular, time-series, and image classification benchmarks under mixed distribution shifts demonstrate consistent improvements in both worst-environment and average OOD performance.
• Abstract（参考訳）: オフ・オブ・ディストリビューション(OOD)の一般化は、モデルが環境間の相関シフトと、希少または硬いサンプルによって駆動される多様性シフトに同時に遭遇する場合、依然として困難である。 既存の不変リスク最小化法(IRM)は、主に環境レベルでの急激な相関に対処するが、しばしばOOD性能に重大な影響を与える環境内のサンプルレベルの不均一性を見落としている。 本研究では,環境条件付き尾再重み付けによるテレビベースの不変学習を強化し,両タイプの分散シフトに共同で対処する統合フレームワークである,全変量不変リスク最小化のためのemph{Environment-Conditioned Tail Reweighting(ECTR)を提案する。 環境レベルの不変性を環境内部のロバスト性と組み合わせることで,これら2つのメカニズムを混合分布シフト下で補完する。 最小限の定式化によって潜在環境を推測することにより、明示的な環境アノテーションなしでフレームワークをさらにシナリオに拡張する。 混合分布シフトによる回帰、表、時系列、画像分類のベンチマークによる実験は、最悪の環境と平均OODパフォーマンスの両面で一貫した改善を示している。

関連論文リスト

• Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments [61.62036321848316]
  グラフニューラルネットワーク(GNN)は、動的グラフ上の空間的パターンと時間的パターンを利用する際、顕著な成功を収めている。 既存のGNNは、動的シナリオでは避けられない分散シフトの下での能力の低下を示す。 本稿では環境対応不変パターン認識によるグラフ一般化(Evoal)の進化のための進化型グラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T08:22:29Z)
• Unsupervised Invariant Risk Minimization [7.903539618132858]
  Emphinvariant Risk Minimization (IRM) のための新しい教師なしフレームワークを提案する。 従来のIRM法は、環境間の分散シフトに対して堅牢な表現を学ぶためにラベル付きデータに依存していた。 本フレームワークでは, ガウス的仮定の下で不変方向を抽出する線形手法である主不変成分分析(PICA)と, 環境不変要因と環境依存要因を混同する深部生成モデルである変動不変自己エンコーダ(VIAE)の2つの手法を紹介する。
  論文  参考訳（メタデータ） (2025-05-18T17:54:23Z)
• Graph Invariant Learning with Subgraph Co-mixup for Out-Of-Distribution Generalization [51.913685334368104]
  本稿では,変分パターンと変分パターンの混合戦略に基づく新しいグラフ不変学習手法を提案する。 本手法は, 各種分布シフト下での最先端性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-12-18T07:26:56Z)
• Continual Invariant Risk Minimization [46.051656238770086]
  経験的リスク最小化は、学習モデルが不変な特徴表現をキャプチャしない場合、目に見えない環境での一般化の振る舞いを損なう可能性がある。 不変リスク最小化(IRM)は環境不変表現を発見するための最近の提案である。
  論文  参考訳（メタデータ） (2023-10-21T11:44:47Z)
• Balancing Fairness and Robustness via Partial Invariance [17.291131923335918]
  不変リスク最小化(IRM)は、アウト・オブ・ディストリビューション(OOD)問題を解決するための環境セットから不変機能を学ぶことを目的としている。 障害ケースを軽減するために、部分的な不変性フレームワークを議論する。 本研究は, 一定の条件下での公正性とリスクのトレードオフを軽減するため, 部分的不変リスク最小化が可能であることを示す。
  論文  参考訳（メタデータ） (2021-12-17T06:41:47Z)
• Learning Representations that Support Robust Transfer of Predictors [5.65658124285176]
  我々は、新しい環境への移動を最適化することに特化した、ロバストな見積もり基準、転送リスクを導入します。 IRMにインスパイアされたものの、転送リスクは分布外一般化の基準として優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-19T13:00:37Z)
• Robust Reconfigurable Intelligent Surfaces via Invariant Risk and Causal Representations [55.50218493466906]
  本稿では,データ分布の変化に伴うロバスト再構成可能なインテリジェントサーフェス(ris)システム設計の問題について検討する。 不変リスク最小化(IRM)の概念を用いて、複数の環境にまたがる不変因果表現を用いて、予測器が各環境に対して同時に最適となるようにする。 予測器を探すためにニューラルネットワークベースのソリューションを採用し、その性能は経験的リスク最小化に基づく設計に対するシミュレーションによって検証される。
  論文  参考訳（メタデータ） (2021-05-04T21:36:31Z)
• Empirical or Invariant Risk Minimization? A Sample Complexity Perspective [49.43806345820883]
  In-variant risk generalization (IRM) が広く採用されている経験的リスク最小化(ERM)フレームワークよりも好まれるかどうかは不明である。 データ生成機構の種類によって、2つのアプローチは、非常に異なる有限サンプルと振舞いを持つ可能性がある。 さらに、OOD溶液からの距離に関して、異なる要因(環境の数、モデルの複雑さ、およびIRMのペナルティ重量)がIRMのサンプルの複雑さにどのように影響するかについても検討する。
  論文  参考訳（メタデータ） (2020-10-30T17:55:30Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)

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。