論文の概要: Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies

• arxiv url: http://arxiv.org/abs/2603.15158v1
• Date: Mon, 16 Mar 2026 11:52:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 18:28:58.189694
• Title: Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies
• Title（参考訳）: 不完全プロキシを用いた潜在シフト下でのロバスト予測器のポイント同定
• Authors: Zahra Rahiminasab, Reza Soumi, Arto Klami, Samuel Kaski,
• Abstract要約: 我々は、同じ条件付きプロキシ分布を誘導する潜在等価クラス(LEC)を導入する。 LECは、同じ条件付きプロキシ分布を誘導する潜在共同創設者のグループとして定義される。 複数のドメインがプロキシ誘起LECを混合してロバスト予測器を形成する方法に十分な差異がある限り、ロバスト予測器の点同定は引き続き達成可能であることを示す。
• 参考スコア（独自算出の注目度）: 22.609134964894363
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Addressing the domain adaptation problem becomes more challenging when distribution shifts across domains stem from latent confounders that affect both covariates and outcomes. Existing proxy-based approaches that address latent shift rely on a strong completeness assumption to uniquely determine (point-identify) a robust predictor. Completeness requires that proxies have sufficient information about variations in latent confounders. For imperfect proxies the mapping from confounders to the space of proxy distributions is non-injective, and multiple latent confounder values can generate the same proxy distribution. This breaks the completeness assumption and observed data are consistent with multiple potential predictors (set-identified). To address this, we introduce latent equivalent classes (LECs). LECs are defined as groups of latent confounders that induce the same conditional proxy distribution. We show that point-identification for the robust predictor remains achievable as long as multiple domains differ sufficiently in how they mix proxy-induced LECs to form the robust predictor. This domain diversity condition is formalized as a cross-domain rank condition on the mixture weights, which is substantially weaker assumption than completeness. We introduce the Proximal Quasi-Bayesian Active learning (PQAL) framework, which actively queries a minimal set of diverse domains that satisfy this rank condition. PQAL can efficiently recover the point-identified predictor, demonstrates robustness to varying degrees of shift and outperforms previous methods on synthetic data and semi-synthetic dSprites dataset.
• Abstract（参考訳）: ドメイン適応問題に対処することは、ドメイン間の分散シフトが、共変量と結果の両方に影響を与える潜在的共同設立者に起因することにより、より困難になる。 遅延シフトに対処する既存のプロキシベースのアプローチは、堅牢な予測器を一意に決定する(ポイント識別)ための強い完全性仮定に依存している。 完全性には、プロキシには潜伏した共同創設者のバリエーションに関する十分な情報が必要である。 不完全なプロキシに対して、共同創設者からプロキシディストリビューションの空間へのマッピングは非インジェクティブであり、複数の潜在的共同創設者の値は、同じプロキシディストリビューションを生成することができる。 これは完全性仮定を破り、観測されたデータは複数の潜在的な予測器(セット識別)と一致している。 これを解決するために、潜在等価クラス(LEC)を導入する。 LECは、同じ条件付きプロキシ分布を誘導する潜在共同創設者のグループとして定義される。 複数のドメインがプロキシ誘起LECを混合してロバスト予測器を形成する方法に十分な差異がある限り、ロバスト予測器の点同定は引き続き達成可能であることを示す。 この領域の多様性条件は混合重みのクロスドメインランク条件として定式化され、完全性よりもかなり弱い仮定である。 本稿では,このランク条件を満たす最小限のドメイン群を積極的にクエリするPQALフレームワークについて紹介する。 PQALは、点同定予測器を効率よく回収し、変化の度合いに頑健さを示し、合成データや半合成dSpritesデータセットで過去の手法より優れていることを示す。

関連論文リスト

• Decoupling the Effect of Chain-of-Thought Reasoning: A Human Label Variation Perspective [60.45433515408158]
  長いチェーン・オブ・ソート(CoT)がトップオプションの決定的決定要因となるが、あいまいなタスクの粒度分布キャリブレータとして機能しないことを示す。 CoTは分布アライメントを改善するが、CoTの内容によって最終的な精度が決定される。
  論文  参考訳（メタデータ） (2026-01-06T16:26:40Z)
• A Statistical Side-Channel Risk Model for Timing Variability in Lattice-Based Post-Quantum Cryptography [0.0]
  タイミングサイドチャネルは、実装で対処する必要がある暗号にとって重要な脅威である。 格子ベースのスキームは、複雑な算術と制御フローの助けを借りて、秘密依存のタイミング可変を生成する。 制御された実行条件下での分布微分可能性の問題として, タイミングリークに対するシナリオベース統計リスクモデルを提案する。
  論文  参考訳（メタデータ） (2025-12-26T03:12:33Z)
• Conformal Prediction under Levy-Prokhorov Distribution Shifts: Robustness to Local and Global Perturbations [41.94295877935867]
  分布シフトをモデル化するために、Levy-Prokhorov (LP) の曖昧性集合を用いる。 共形予測とLP曖昧性集合とのリンクは自然なものであることを示す。 我々は、分布シフトの下で有効であるような頑健な共形予測区間を構築する。
  論文  参考訳（メタデータ） (2025-02-19T21:18:11Z)
• Proxy Methods for Domain Adaptation [78.03254010884783]
  プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。 両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T09:32:41Z)
• Latent Covariate Shift: Unlocking Partial Identifiability for Multi-Source Domain Adaptation [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• PAC Prediction Sets Under Covariate Shift [40.67733209235852]
  基礎となるデータ分布に変化がある場合、不確実性は重要です。 既存の不確実性定量化アルゴリズムの多くは、そのようなシフトの存在下で崩壊する。 本稿では,この課題に対処する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-17T23:28:42Z)
• A Unified Joint Maximum Mean Discrepancy for Domain Adaptation [73.44809425486767]
  本論文は,最適化が容易なjmmdの統一形式を理論的に導出する。 統合JMMDから、JMMDは分類に有利な特徴ラベル依存を低下させることを示す。 本稿では,その依存を促進する新たなmmd行列を提案し,ラベル分布シフトにロバストな新しいラベルカーネルを考案する。
  論文  参考訳（メタデータ） (2021-01-25T09:46:14Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。