論文の概要: Abduction-Deduction Entanglement: Domain Generalization via Representation Transplants

• arxiv url: http://arxiv.org/abs/2605.25156v1
• Date: Sun, 24 May 2026 16:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.861952
• Title: Abduction-Deduction Entanglement: Domain Generalization via Representation Transplants
• Title（参考訳）: アブダクション・推論の絡み合い:表現移植によるドメインの一般化
• Authors: Kasra Jalaldoust, Elias Bareinboum,
• Abstract要約: 対象の最適予測はソース分布によって部分的に識別可能であることを示す。 表現移植と呼ぶものを用いて制約されたファミリーをパラメータ化する。
• 参考スコア（独自算出の注目度）: 3.3660382321886217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction models trained under the source distribution do not generalize well to a different target distribution. A valid inference about an unseen data distribution must be anchored by the invariance of certain causal mechanisms that generate the source and target data, however, these structural invariances are non-identifiable from the source data alone. Under mild causal assumptions about the data, we show that the optimal prediction in the target is in fact partially identifiable by the source distribution. The result rests on a simple observation: In any domain, the optimal prediction can be factorized into what we call a pair of abduction and deduction maps, where the abduction map makes inference about some unobserved variables (possibly confounders) from the observed variables and the deduction map predicts the label using both the observed and inferred quantities. Access to large source data pins down the optimal prediction, thus constrains the valid abduction-deduction ensembles that produce it -- a non-identifiability that we call the abduction-deduction entanglement. To leverage this, we parameterize the constrained family using what we call a representation transplant, that is a specific linear transformation in the representation space that manipulates the abduction content of the representation while retaining the deduction component. Invariance of the causal mechanism generating the label implies existence of an invariant deduction map between source and target. Thus, we can search the space of plausible target distributions via a parametric transplant. We use this scheme in a learner-adversary game that, under an idealistic optimization, provably terminates with the learner having the minimax-optimal target prediction. Evaluations verify the theory, showing that the method is competitive in DG benchmarks.
• Abstract（参考訳）: ソース分布下で訓練された予測モデルは、異なるターゲット分布に対してうまく一般化しない。 未知のデータ分布に関する有効な推論は、ソースデータとターゲットデータを生成する特定の因果メカニズムの不変性によって固定されなければならないが、これらの構造的不変性はソースデータだけでは識別できない。 データに関する微妙な因果的仮定の下では、ターゲットの最適予測は、実際にソース分布によって部分的に識別可能であることを示す。 任意の領域において、最適予測は1対の導出および導出写像(英語版)(abduction and deduction map)と呼ばれるものへと分解され、そこでは、導出写像は観測された変数から観測されていない変数(おそらく共創者)について推論し、導出写像は観測された量と推測された量の両方を用いてラベルを予測する。 大規模なソースデータへのアクセスは、最適な予測をピン留めするので、それを生成する有効な吸引・誘惑のアンサンブルを制約します。 これを活用するために,表現の帰納的内容を操作する表現空間における特定の線形変換である表現移植(deduction transplant)という手法を用いて,制約されたファミリーをパラメータ化する。 ラベルを生成する因果機構の不変性は、ソースとターゲットの間に不変な推論マップが存在することを意味する。 したがって、パラメトリックな移植により、可塑性対象分布の空間を探索することができる。 我々は,このスキームを,理想主義的な最適化の下で,最小限の最適目標予測を持つ学習者によって確実に終了する学習者支援ゲームに使用する。 評価は、この手法がDGベンチマークで競合していることを示す理論を検証する。

関連論文リスト

• Learning When the Concept Shifts: Confounding, Invariance, and Dimension Reduction [5.38274042816001]
  観測データでは、分布シフトは観測されていない共起因子によって駆動されることが多い。 このことは、観測データを用いた領域適応問題の研究を動機付けます。 学習した低次元部分空間を用いて、ターゲットとソースのリスクの間にほぼ理想的なギャップを生じさせるモデルを示す。
  論文  参考訳（メタデータ） (2024-06-22T17:43:08Z)
• 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)
• Data thinning for convolution-closed distributions [2.299914829977005]
  本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。 教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
  論文  参考訳（メタデータ） (2023-01-18T02:47:41Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Domain Adaptation under Missingness Shift [38.650099178537864]
  欠損度シフト(DAMS)下におけるドメイン適応問題について紹介する。 欠落したデータのレートは、しばしば記録保持ポリシーに依存するため、時間や場所によって変化する可能性がある。 合成データおよび半合成データの実験において,仮定が成立する際の手法の可能性を実証した。
  論文  参考訳（メタデータ） (2022-11-03T18:49:38Z)
• Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
  データから解釈可能な等価性を発見する方法について検討する。 具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。 また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
  論文  参考訳（メタデータ） (2022-04-07T17:59:19Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• 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)

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。