Fugu-MT 論文翻訳(概要): Learning Stable Predictors from Weak Supervision under Distribution Shift

論文の概要: Learning Stable Predictors from Weak Supervision under Distribution Shift

arxiv url: http://arxiv.org/abs/2604.05002v1
Date: Sun, 05 Apr 2026 23:46:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.398728
Title: Learning Stable Predictors from Weak Supervision under Distribution Shift
Title（参考訳）: 分布シフト下における弱スーパービジョンからの安定予測器の学習
Authors: Mehrdad Shoeibi, Elias Hossain, Ivan Garibay, Niloofar Yousefi,
Abstract要約: 基盤トラストラベルが利用できない場合には、弱さやプロキシの監視から学ぶことが一般的である。我々はこれを監督ドリフトとして形式化し、文脈間でのP(y | x, c)の変化として定義される。我々はCRISPR-Cas13d実験において、RNA-seq応答から誘導効果を間接的に推定する実験を行った。
参考スコア（独自算出の注目度）: 2.8410059035029955
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Learning from weak or proxy supervision is common when ground-truth labels are unavailable, yet robustness under distribution shift remains poorly understood, especially when the supervision mechanism itself changes. We formalize this as supervision drift, defined as changes in P(y | x, c) across contexts, and study it in CRISPR-Cas13d experiments where guide efficacy is inferred indirectly from RNA-seq responses. Using data from two human cell lines and multiple time points, we build a controlled non-IID benchmark with explicit domain and temporal shifts while keeping the weak-label construction fixed. Models achieve strong in-domain performance (ridge R^2 = 0.356, Spearman rho = 0.442) and partial cross-cell-line transfer (rho ~ 0.40). However, temporal transfer fails across all models, with negative R^2 and near-zero correlation (e.g., XGBoost R^2 = -0.155, rho = 0.056). Additional analyses confirm this pattern. Feature-label relationships remain stable across cell lines but change sharply over time, indicating that failures arise from supervision drift rather than model limitations. These findings highlight feature stability as a simple diagnostic for detecting non-transferability before deployment.
Abstract（参考訳）: 弱さやプロキシの監視から学ぶことは、地平線ラベルが利用できない場合によく見られるが、分散シフト下での堅牢性は、特に監督機構自体が変化してもよく理解されていない。我々はこれを、文脈間でのP(y | x, c)の変化として定義した監視ドリフトとして形式化し、RNA-seq応答から誘導効果を間接的に推測するCRISPR-Cas13d実験で研究する。 2つのセルラインと複数のタイムポイントからのデータを用いて、弱いラベル構造を固定しつつ、明示的なドメインと時間シフトを持つ制御された非IIDベンチマークを構築した。モデルは強いドメイン内性能(リッジR^2 = 0.356、スピアマンrho = 0.442)、部分的なセル間転送(rho ~ 0.40)を達成する。しかし、時間移動は全てのモデルで失敗し、負のR^2とほぼゼロの相関(例えば、XGBoost R^2 = -0.155, rho = 0.056)がある。さらなる分析により、このパターンが確認できる。機能とラベルの関係は、セルライン全体で安定しているが、時間とともに急激な変化が見られ、失敗はモデルの制限ではなく、監督のドリフトから生じることを示している。これらの知見は、デプロイ前に非参照性を検出するための単純な診断として機能安定性を強調した。

関連論文リスト

First-Mover Bias in Gradient Boosting Explanations: Mechanism, Detection, and Resolution [0.0]
第1モーバーバイアス(英: First-mover bias)は、勾配上昇における逐次的残留フィッティングに起因する特徴量の集中である。モデル独立性は線形状態における最優先バイアスを解くのに十分であり、非線形データ生成プロセス下では最も効果的な緩和法であることを示す。
論文参考訳（メタデータ） (2026-03-22T02:59:40Z)
ThreatFormer-IDS: Robust Transformer Intrusion Detection with Zero-Day Generalization and Explainable Attribution [0.0]
IoTおよび産業ネットワークの侵入検出には、進化するトラフィックと限定されたラベルの下で信頼性を維持しながら、低い偽陽性率で稀な攻撃を検出できるモデルが必要である。本研究では,トランスフォーマーをベースとしたシーケンシャルモデリングフレームワークThreatFormer-IDSを提案する。時系列評価を備えたToN IoTベンチマークでは、ThreatFormer-IDSがAUCROC 0.994、AUC-PR 0.956、Recall@1%FPR 0.910を達成した。
論文参考訳（メタデータ） (2026-02-26T23:20:42Z)
"I May Not Have Articulated Myself Clearly": Diagnosing Dynamic Instability in LLM Reasoning at Inference Time [1.570719611178015]
大規模言語モデル(LLM)の推論失敗は通常、世代末にのみ測定されるが、プロセスレベルのブレークダウンとして多くの障害が現れる。連続的なステップ分布シフト(JSD)と不確実性(エントロピー)を組み合わせた単純な不安定信号を定義する。 GSM8KとHotpotQA全体で、不安定性はAUCで間違った解を予測し、単調バケットレベルの精度を低下させる。
論文参考訳（メタデータ） (2026-02-02T22:11:25Z)
Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
論文参考訳（メタデータ） (2025-10-06T14:48:39Z)
Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文参考訳（メタデータ） (2025-09-27T20:57:48Z)
BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
論文参考訳（メタデータ） (2025-07-11T14:02:54Z)
A Sample Efficient Conditional Independence Test in the Presence of Discretization [54.047334792855345]
離散化されたデータに直接条件付き独立テスト(CI)は、誤った結論につながる可能性がある。最近の進歩は、観測データをバイナライズすることで、潜伏変数間の適切なCI関係を推測することを目指している。そこで本研究では,バイナライゼーションプロセスに依存しないサンプル効率のCIテストを提案する。
論文参考訳（メタデータ） (2025-06-10T12:41:26Z)
Temporally Disentangled Representation Learning [14.762231867144065]
下位の潜伏変数とその因果関係が任意の非パラメトリック因果関係を持つかどうかは不明である。時間遅延因果変数を復元する基本フレームワークである textbftextttTDRL を提案する。私たちのアプローチは、このモジュラー表現を正しく活用しない既存のベースラインをかなり上回ります。
論文参考訳（メタデータ） (2022-10-24T23:02:49Z)
Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文参考訳（メタデータ） (2021-10-12T17:21:41Z)
Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
論文参考訳（メタデータ） (2020-12-08T02:26:03Z)

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。