論文の概要: Structured Credal Learning

• arxiv url: http://arxiv.org/abs/2603.14070v1
• Date: Sat, 14 Mar 2026 18:26:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.579875
• Title: Structured Credal Learning
• Title（参考訳）: 構造的クレダル学習
• Authors: Varun Venkatesh, Eyke Hüllermeier, Bernd Bischl, Mina Rezaei,
• Abstract要約: 新たに構築されたクレダーラーニングフレームワークを導入する。 構造された干潟集合の総変動径の幾何学的境界を導出する。 これらの構造されたクレダル集合に対するロバストな最適化は、引き分け可能な離散的なmin-max問題に還元されることを示す。
• 参考スコア（独自算出の注目度）: 36.181568488581334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world learning tasks often encounter uncertainty due to covariate shift and noisy or inconsistent labels. However, existing robust learning methods merge these effects into a single distributional uncertainty set. In this work, we introduce a novel structured credal learning framework that explicitly separates these two sources. Specifically, we derive geometric bounds on the total variation diameter of structured credal sets and demonstrate how this quantity decomposes into contributions from covariate shift and expected label disagreement. This decomposition reveals a gating effect: covariate modulates how much label disagreement contributes to the joint uncertainty, such that seemingly benign covariate shifts can substantially increase the effective uncertainty. We also establish finite-sample concentration bounds in a fixed covariate regime and demonstrate that this quantity can be efficiently estimated. Lastly, we show that robust optimization over these structured credal sets reduces to a tractable discrete min-max problem, avoiding ad-hoc robustness parameters. Overall, our approach provides a principled and practical foundation for robust learning under combined covariate and label mechanism ambiguity.
• Abstract（参考訳）: 実世界の学習タスクは、共変量シフトやノイズや一貫性のないラベルによって不確実性に遭遇することが多い。 しかし、既存の頑健な学習手法はこれらの効果を単一分布の不確実性集合にマージする。 本研究では,これら2つの源を明示的に分離する新しい構造的クレダル学習フレームワークを提案する。 具体的には, 構造された干潟集合の総変動径の幾何学的境界を導出し, この量が共変量シフトと予測ラベルの不一致による寄与にどのように分解されるかを示す。 共変量(covariate)は、ラベルの不一致が結合の不確実性にどの程度寄与するかを調節し、良質な共変量シフトが有効不確実性を大幅に増大させる。 また、固定共変量系において有限サンプル濃度境界を確立し、この量を効率的に推定できることを実証する。 最後に、これらの構造的断裂集合に対するロバストな最適化は、アドホックなロバスト性パラメータを避けるために、トラクタブルな離散ミニマックス問題に還元されることを示す。 全体として、我々のアプローチは、共変量とラベル機構のあいまいさを併用した堅牢な学習のための原則的で実践的な基盤を提供する。

関連論文リスト

• A Unified and Stable Risk Minimization Framework for Weakly Supervised Learning with Theoretical Guarantees [33.15955234458642]
  完全かつ正確なラベルが取得にコストがかかる、あるいは不可能な場合には、完全に教師付き学習の代替として弱教師付き学習が実用化されている。 弱教師付きデータの構造に根ざした安定な代理リスクを定式化することにより、そのようなポストホック調整を回避できる、原則化された統一されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-28T00:57:04Z)
• Learning from Similarity-Confidence and Confidence-Difference [0.07646713951724009]
  複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。 具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。 両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2025-08-07T07:42:59Z)
• 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)
• Synergy Between Sufficient Changes and Sparse Mixing Procedure for Disentangled Representation Learning [32.482584125236016]
  アンタングル表現学習は、観測データの背後にある潜伏変数を明らかにすることを目的としている。 いくつかのアプローチは、ドメインインデックスのような補助変数によって示される潜伏変数の分布に十分な変化に依存する。 本稿では,分散変化とスパース混合過程に関する制約の少ない識別可能性理論を提案する。
  論文  参考訳（メタデータ） (2025-03-01T22:21:37Z)
• Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
  補完ラベル学習は、弱教師付き学習問題である。 均一分布仮定に依存しない一貫したアプローチを提案する。 相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
  論文  参考訳（メタデータ） (2023-11-27T02:59:17Z)
• Binary Classification with Confidence Difference [100.08818204756093]
  本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。 本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。 また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
  論文  参考訳（メタデータ） (2023-10-09T11:44:50Z)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。