論文の概要: Dissecting Performative Prediction: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2602.10176v1
• Date: Tue, 10 Feb 2026 18:40:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.220053
• Title: Dissecting Performative Prediction: A Comprehensive Survey
• Title（参考訳）: パフォーマンス予測の分離: 総合的な調査
• Authors: Thomas Kehrenberg, Javier Sanguino, Jose A. Lozano, Novi Quadrianto,
• Abstract要約: パフォーマンス予測の分野は、2020年にPerdomoらによる論文"Performative Prediction"で始まった。 我々は、性能予測設定をレイアウトし、性能安定性と性能最適性という、異なる最適化目標を説明する。 本稿では,分布マップの情報量に基づいて,異なる性能予測設定を分類する新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 2.348413034000433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The field of performative prediction had its beginnings in 2020 with the seminal paper "Performative Prediction" by Perdomo et al., which established a novel machine learning setup where the deployment of a predictive model causes a distribution shift in the environment, which in turn causes a mismatch between the distribution expected by the predictive model and the real distribution. This shift is defined by a so-called distribution map. In the half-decade since, a literature has emerged which has, among other things, introduced new solution concepts to the original setup, extended the setup, offered new theoretical analyses, and examined the intersection of performative prediction and other established fields. In this survey, we first lay out the performative prediction setting and explain the different optimization targets: performative stability and performative optimality. We introduce a new way of classifying different performative prediction settings, based on how much information is available about the distribution map. We survey existing implementations of distribution maps and existing methods to address the problem of performative prediction, while examining different ways to categorize them. Finally, we point out known and previously unknown connections that can be drawn to other fields, in the hopes of stimulating future research.
• Abstract（参考訳）: 性能予測の分野は、2020年にPerdomoらによる論文"Performative Prediction"で始まり、予測モデルの展開が環境の分布シフトを引き起こし、予測モデルが期待する分布と実際の分布とのミスマッチを引き起こす新しい機械学習装置を確立した。 このシフトは、いわゆる分布マップによって定義される。 それ以来の1年半で、最初の設定に新しい解の概念を導入し、設定を拡張し、新しい理論分析を提案し、実行予測と他の確立された分野の交叉を検証した文献が出現した。 本調査ではまず,性能予測設定を概説し,その最適化目標である性能安定性と性能最適性について説明する。 本稿では,分布マップの情報量に基づいて,異なる性能予測設定を分類する新しい方法を提案する。 本稿では,分布マップの既存実装と既存手法について検討し,その分類方法について検討した。 最後に、今後の研究を刺激するために、他の分野に描画できる未知のコネクションを指摘する。

関連論文リスト

• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• Understanding Fixed Predictions via Confined Regions [30.421105594069676]
  機械学習モデルは、個人が結果を変えるのを防ぐ固定された予測を割り当てることができる。 固定予測を監査するための既存のアプローチは、既存の個人データセットへのアクセスを必要とするポイントワイズベースで実施されている。 本研究は,全ての個人が固定予測を受ける特徴空間の限られた領域を見つけることによって,固定予測を識別する新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2025-02-22T23:06:10Z)
• Distributionally Robust Performative Prediction [25.580721293862467]
  我々は、分布的に頑健な演奏予測の新しい枠組みを導入し、分布的に頑健な演奏最適化(O)と呼ばれる新しいソリューション概念を研究する。 我々はDRPOが実数と異なるときの真のPOに対する頑健な近似として証明可能な保証を示す。 結果は,分布マップがミクロレベルでもマクロレベルでも誤特定されている場合,DRPOは従来のPOアプローチよりも潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2024-12-05T17:05:49Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation of Prediction Rationale [53.152460508207184]
  Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。 本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。 最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
  論文  参考訳（メタデータ） (2024-02-02T05:53:22Z)
• Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
  トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。 本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。 実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
  論文  参考訳（メタデータ） (2022-11-20T19:25:15Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• 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)
• Robustness via Cross-Domain Ensembles [0.5801044612920816]
  本稿では,ニューラルネットワークの予測をトレーニングデータ分布からのシフトに対して頑健にする手法を提案する。 提案手法は,多種多様なキューを用いて予測を行い,それらを1つの強い予測にまとめる手法である。
  論文  参考訳（メタデータ） (2021-03-19T17:28:03Z)

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。