論文の概要: Certified Learning under Distribution Shift: Sound Verification and Identifiable Structure

• arxiv url: http://arxiv.org/abs/2602.17699v1
• Date: Fri, 06 Feb 2026 19:06:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.541127
• Title: Certified Learning under Distribution Shift: Sound Verification and Identifiable Structure
• Title（参考訳）: 分布シフトによる認証学習:音の検証と識別可能な構造
• Authors: Chandrasekhar Gokavarapu, Sudhakar Gadde, Y. Rajasekhar, S. R. Bhargava,
• Abstract要約: $f$をディストリビューションでトレーニングされた予測子とし、シフトしたディストリビューションで$Q$を評価する。 検証可能な正則性と複雑性の制約の下では、シフトの余剰リスクは計算可能なシフト計量とモデルパラメータによって決定される明示的な上限を持つ。 我々は,(i)分布シフトのリスクを明示的な不等式によって証明し,(ii)学習モデルの検証は,非自明なサイズに対して健全であり,(iii)理解性は,ポストホックな説明よりも識別可能性の条件によって強制される,統一的な枠組みを開発する。
• 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: Proposition. Let $f$ be a predictor trained on a distribution $P$ and evaluated on a shifted distribution $Q$. Under verifiable regularity and complexity constraints, the excess risk under shift admits an explicit upper bound determined by a computable shift metric and model parameters. We develop a unified framework in which (i) risk under distribution shift is certified by explicit inequalities, (ii) verification of learned models is sound for nontrivial sizes, and (iii) interpretability is enforced through identifiability conditions rather than post hoc explanations. All claims are stated with explicit assumptions. Failure modes are isolated. Non-certifiable regimes are characterized.
• Abstract（参考訳）: Proposition $f$をディストリビューションでトレーニングされた予測子とし、シフトしたディストリビューションで$Q$を評価する。 検証可能な正則性と複雑性の制約の下では、シフトの余剰リスクは計算可能なシフト計量とモデルパラメータによって決定される明示的な上限を持つ。 我々は統一された枠組みを開発する。 一 配当シフトのリスクは、明示的不等式により認定される。 (ii)学習モデルの検証は非自明な大きさの音であり、 三 解釈性は、後述の事後説明よりも、識別可能性の条件により行うこと。 すべての主張は明示的な仮定で述べられている。 障害モードは分離される。 非確認可能な体制が特徴である。

関連論文リスト

• Characterizing Online and Private Learnability under Distributional Constraints via Generalized Smoothness [63.833913892018536]
  本研究では、固定されたファミリー$U$からデータ生成分布を適応的に選択できる分布敵の下でのシーケンシャルな意思決定について検討する。 一般化滑らか性(Generalized smoothness)という概念の観点で学習可能性を認めるファミリー$U$のほぼ完全な特徴付けを提供する。 一般化された滑らかさは,分布制約下での個人学習性も特徴付けることを示す。
  論文  参考訳（メタデータ） (2026-02-24T06:15:59Z)
• Provable Adversarial Robustness in In-Context Learning [8.201374511929538]
  大規模言語モデルは、パラメータを更新せずにICL(In-context Learning)を通じて新しいタスクに適応する。 この能力に関する現在の理論的説明は、テストタスクが事前訓練中に見られるような分布から引き出されることを前提としている。 We introduced a distributionly robust meta-learning framework that provide worst-case performance guarantees for ICL under Wasserstein based distribution shifts。
  論文  参考訳（メタデータ） (2026-02-19T12:37:00Z)
• Distributionally Robust Imitation Learning: Layered Control Architecture for Certifiable Autonomy [24.387204607890578]
  シミュレーション学習(IL)は、専門家によるデモンストレーションから学ぶことで自律的な行動を可能にする。 本稿では,TaSIL とellonedrac を統合した層制御アーキテクチャ (LCA) を提案する。 私たちのソリューションは、完全に証明可能な自律パイプラインを設計するための道を開くものです。
  論文  参考訳（メタデータ） (2025-12-19T18:58:11Z)
• Probabilistic Variational Contrastive Learning [8.23660331371415]
  我々は,エビデンスローバウンド(ELBO)を最大化するデコーダフリーフレームワークを提案する。 約$q_theta(z|x)$を投影正規分布としてモデル化し、確率的埋め込みのサンプリングを可能にする。
  論文  参考訳（メタデータ） (2025-06-11T20:26:07Z)
• TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
  本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。 キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
  論文  参考訳（メタデータ） (2025-04-20T09:20:55Z)
• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Invariant Anomaly Detection under Distribution Shifts: A Causal Perspective [6.845698872290768]
  異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。 分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。 我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
  論文  参考訳（メタデータ） (2023-12-21T23:20:47Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)

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。