論文の概要: The conditional-mean barrier: From deterministic regression to conditional distribution learning

• arxiv url: http://arxiv.org/abs/2605.28076v1
• Date: Wed, 27 May 2026 07:31:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.847105
• Title: The conditional-mean barrier: From deterministic regression to conditional distribution learning
• Title（参考訳）: 条件-平均障壁:決定論的回帰から条件分布学習へ
• Authors: Junfeng Chen,
• Abstract要約: このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。 平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。 我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
• 参考スコア（独自算出の注目度）: 6.160113667162026
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many problems in computational science and engineering become one-to-many after coarse graining, partial observation, or inverse reconstruction: a resolved state may not determine a unique subgrid forcing, a structural descriptor may not determine a unique effective response, and a low-resolution observation may correspond to many plausible high-resolution fields. In such settings, deterministic surrogates may learn a well-defined mathematical object while still missing application-relevant uncertainty. This tutorial develops a self-contained module centered on the conditional-mean barrier: the point at which a squared-loss predictor has reached the conditional mean and the remaining error is irreducible aleatoric variance. We give two diagnostics for locating this barrier, residual-feature orthogonality and the coefficient of determination against its explained-variance ceiling, and prove that adding latent randomness to a squared-loss predictor collapses it back to the conditional mean. Crossing the barrier therefore requires a loss that scores distributions rather than point predictions. We briefly organize common distributional objectives, including negative log-likelihood, moment and observable matching, variational objectives, adversarial divergences, and score matching, by the feature of the conditional law each targets. The emphasis is the boundary itself and a finite-data procedure for recognizing it, rather than a survey of methods beyond it. CPU-based demonstrations on a two-branch law and a two-scale Lorenz-96 closure problem show how the diagnostics distinguish deterministic underfitting from residual distributional variability.
• Abstract（参考訳）: 計算科学や工学における多くの問題は、粗粒化、部分的な観察、あるいは逆再構成の後に一対多になる:解決された状態は、一意のサブグリッドの強制力を決定することができず、構造的記述子は、一意の効果的な応答を決定することができず、低分解能の観察は多くの高分解能場に対応する。 このような設定では、決定論的サロゲートは、アプリケーション関連の不確実性を欠きながら、明確に定義された数学的対象を学習することができる。 本チュートリアルでは,条件-平均障壁を中心とした自己完結型モジュールを開発する。二乗損失予測器が条件平均に到達し,残りの誤差が既約アレタリック分散である点である。 この障壁, 残差直交性, 説明分散天井に対する判定係数の2つの診断法を提案し, 正方形損失予測器に潜時ランダム性を加えると条件平均まで崩壊することを示した。 したがって、障壁を越えるには、点予測よりも分布をスコアする損失が必要となる。 我々は,各目標の条件付き法則の特徴により,負の対数類似性,モーメントとオブザーバブルマッチング,変分目的,反対の発散,スコアマッチングなどの共通分布目的を短時間に整理する。 強調されているのは、境界そのものと、それを認識するための有限データプロシージャである。 CPUに基づく2分岐法則と2スケールのLorenz-96クロージャ問題に関する実証は、診断が残留分布変数と決定的不適合性を区別する方法を示している。

関連論文リスト

• Trainability Beyond Linearity in Variational Quantum Objectives [0.0]
  目的自体が固定可観測表現を許容しているのは、損失がアフィンであることと、損失がアフィンであることである。 増幅可能な目的はアフィンよりも数桁大きく解決された。
  論文  参考訳（メタデータ） (2026-04-20T21:12:10Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Model-Agnostic Covariate-Assisted Inference on Partially Identified Causal Effects [1.9253333342733674]
  多くの因果推定値は、潜在的な結果間の観測不能な関節分布に依存するため、部分的にしか識別できない。 本研究では,部分的同定された推定値の広いクラスに対して,統一的かつモデルに依存しない推論手法を提案する。
  論文  参考訳（メタデータ） (2023-10-12T08:17:30Z)
• Distributional Shift-Aware Off-Policy Interval Estimation: A Unified Error Quantification Framework [8.572441599469597]
  本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。 目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。 提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
  論文  参考訳（メタデータ） (2023-09-23T06:35:44Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• 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)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)

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。