論文の概要: The Good, the Bad, and the Ugly of Markov Boundary for Tabular Prediction

• arxiv url: http://arxiv.org/abs/2605.29411v1
• Date: Thu, 28 May 2026 06:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:55.836948
• Title: The Good, the Bad, and the Ugly of Markov Boundary for Tabular Prediction
• Title（参考訳）: 母音予測におけるマルコフ境界の善, 悪, および有用性
• Authors: Shu Wan, Abhinav Gorantla, Huan Liu, K. Selçuk Candan,
• Abstract要約: 我々はマルコフ境界が3450タスクの合成SCMベンチマークであるSCM3Kの予測に本当に有用かどうかを問う。 回帰器をオラクル境界に制限することは、しばしば予測を大幅に改善し、特徴空間が大きくなるにつれて改善が増加する。 既存の推定者は、境界が最も助ける体制に達する前に計算予算を浪費する。
• 参考スコア（独自算出の注目度）: 8.05418282793167
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Under standard graphical assumptions, the Markov boundary of a target variable is the smallest set of features that renders every other feature redundant. Once the boundary is observed, the target is conditionally independent of the rest of the table. This is a tempting object for tabular prediction, since it names exactly the columns a model should need. Yet modern regressors are still trained on the full feature set. We ask whether the Markov boundary is genuinely useful for prediction on SCM3K, a 3,450-task synthetic SCM benchmark with feature counts from 40 to 1000 and six SCM families, evaluated with six regressors. The answer is more nuanced than the theory suggests. Restricting a regressor to the oracle boundary often improves prediction substantially, and the improvement grows as the feature space becomes larger and sparser. But the natural pipeline of recovering the boundary with causal discovery and training on the recovered mask does not deliver. Existing estimators exhaust the compute budget before reaching the regime where the boundary helps most, and even where they run they rarely beat the full feature set. We trace this to three causes. Discovery optimizes structural recovery rather than prediction. False negatives and false positives carry sharply asymmetric predictive cost. The exact boundary is only one of many feature sets that beat all features. We then develop what these facts imply for prediction-aligned feature selection and for tabular models that learn to use causal structure.
• Abstract（参考訳）: 標準的なグラフィカルな仮定では、ターゲット変数のマルコフ境界は、他のすべての機能を冗長にする最小の機能セットである。 境界が観測されると、ターゲットはテーブルの他の部分から条件的に独立する。 これは、モデルに必要なカラムを正確に名付けるため、表形式での予測の誘惑的なオブジェクトである。 しかし、現代的な回帰器は、まだ完全な機能セットで訓練されている。 マルコフ境界がSCM3Kの予測に本当に有用かどうかを問う。SCM3Kは,40から1000のSCMファミリーと6つのSCMファミリーからなる3450タスクの合成SCMベンチマークであり,6つの回帰器で評価される。 その答えは、理論が示唆するよりもニュアンスが高い。 回帰器をオラクル境界に制限することは、しばしば予測を大幅に改善し、特徴空間が大きくなるにつれて改善が増加する。 しかし、回復したマスクの因果発見とトレーニングによって境界を回復する自然なパイプラインは実現しない。 既存の推定者は、境界が最も助ける体制に達する前に計算予算を浪費する。 これを3つの原因に遡る。 発見は予測よりも構造回復を最適化する。 偽陰性と偽陽性は、鋭く非対称な予測コストをもたらす。 正確な境界は、すべての機能を上回る多くの機能セットの1つに過ぎません。 次に、これらの事実が意味するものは、予測整列した特徴選択と、因果構造を学習する表形式モデルである。

関連論文リスト

• Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
  本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。 鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。 我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
  論文  参考訳（メタデータ） (2026-05-21T08:57:38Z)
• 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)
• Wild refitting for black box prediction [29.715181593057803]
  本稿では,インスタンスワイド平均二乗予測誤差に基づいて,高確率上限計算のための計算効率の良い修正手順を記述・解析する。 予測方法への単一のデータセットとブラックボックスアクセスのみを必要とするため、適切な残差を計算し、プリファクタ$rho$でそれらをシンメトリズしてスケーリングし、修正された予測問題を定義し、解決する3つのステップで構成される。
  論文  参考訳（メタデータ） (2025-06-26T16:41:55Z)
• 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)
• Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
  本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。 回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。 提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
  論文  参考訳（メタデータ） (2024-02-12T01:17:09Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)

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。