論文の概要: Regime-Arrival Uncertainty in Generalization Bounds under Distribution Shift

• arxiv url: http://arxiv.org/abs/2606.02657v1
• Date: Mon, 01 Jun 2026 06:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 10:57:21.692822
• Title: Regime-Arrival Uncertainty in Generalization Bounds under Distribution Shift
• Title（参考訳）: 分布シフト下における一般化境界の不確かさ
• Abstract要約: 本稿では,システム構成ミスマッチによる余剰リスクを定量化することで,レシック・アウェア・モデルを一般化するフレームワークを提案する。 我々は正確な分解を行い、状態のミスマッチと状態の感度を分離する。 提案したペナルティは,事前の一般化ギャップであり,トレーニング専用推定器では有意な相関は示されていない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The standard generalization bounds assume that the training and deployment distributions are the same, or are static, and don't consider regime switching environments where the ratio of calm vs crisis states is different. This paper proposes a framework that generalizes regime-aware models by quantifying the extra risk due to regime composition mismatch, when distribution shifts are Markov-switching. We obtain an exact decomposition, separating regime mismatch from regime sensitivity; we extend the bound to beta-mixing data using the effective sample size corrected for the spectral gap; and we show a minimax lower bound for synthetic data and on 25 years of global equity indices. The proposed penalty is an ex post realized generalization gap, whereas the training-only estimator does not show significant correlation: the feature geometry of crises can be detected, but not the temporal arrival. Thus, the framework is not a forecast machine. Forecasting the composition of the future regime is an open question in the rare cases of regime change.
• Abstract（参考訳）: 標準的な一般化バウンダリは、トレーニングとデプロイメントの分布が同じか、静的であるかを前提としています。 本稿では,分布シフトがマルコフスイッチングである場合に,構成ミスマッチによる余分なリスクを定量化することにより,レシック・アウェア・モデルを一般化するフレームワークを提案する。 本研究では, スペクトルギャップを補正した有効試料サイズを用いてβ混合データに境界を拡大し, 合成データと25年間のグローバルエクイティ指標に最小限の値を示す。 提案したペナルティは,事前実現された一般化ギャップであり,トレーニング専用推定器には有意な相関が認められていない。 したがって、このフレームワークは予測マシンではない。 将来の体制の構成を予測することは、制度変更の稀な事例において明らかな問題である。

関連論文リスト

• Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction [74.05279072166697]
  Exponential-Gaussian Mixture Network (EGMN) は完全な条件WT分布をモデル化する。 EGMNは分散崩壊、コンポーネントの冗長性、不活性成分に弱い。 本稿では,これらの故障モードに対処する階層型指数-ガウス混合(HEGM)モデルを提案する。
  論文  参考訳（メタデータ） (2026-08-24T15:06:18Z)
• REGAIN: REconciliation GAIN-driven Auxiliary Direction Learning [12.590383160848141]
  本稿では,正規化された補助方向を学習する和解利得フレームワークを提案する。 有効な補助指示は未解決の標的不確実性について補完的な情報を提供する必要があることを示す。 北京PM2.5とオーストラリア観光データの実験では、ゲイン選択された測定値が通常の多変量と階層予測の両方を改善することが示されている。
  論文  参考訳（メタデータ） (2026-06-03T02:53:27Z)
• The Need for an External Observer Formalizing the Sufficiency Gap: A Mathematical Extension of Mixture Identifiability and Contextual Grounding in Sequence Models [0.0]
  我々は、決定論的テキスト構造と、保存されていない潜在状態によって支配される1つのランダム構造を持つ2元混合登録プロセスを構築した。 結果として生じるエントロピー差は通常の最適化誤差ではない。 補正信号は、その忠実度が誤解を招く状態に割り当てられたテキストのみの後方重みを超えると、テキスト履歴によって引き起こされる後続のオッズを正確に反転させる。
  論文  参考訳（メタデータ） (2026-05-26T08:53:11Z)
• DeRegiME: Deep Regime Mixtures for Probabilistic Forecasting under Distribution Shift [10.952188121974613]
  DeRegiMEは、直接マルチホライズン確率予測器である。 潜伏した不確実性体制と根底にある信号とを分離する。 各予測位置を学習された繰り返しレジームに割り当てる。
  論文  参考訳（メタデータ） (2026-05-19T01:04:21Z)
• Bridging Conformal Prediction and Scenario Optimization: Discarded Constraints and Modular Risk Allocation [0.0]
  本稿では,システム・アンド・コントロールの観点から,その接続を直接検討する。 ブロックワイドキャリブレーション証明書を1つのジョイント保証に組み合わせた,単純なモジュラ構成規則を導入する。
  論文  参考訳（メタデータ） (2026-03-19T18:37:58Z)
• A Gentle Introduction to Conformal Time Series Forecasting [0.0]
  このレビューは、非交換可能データに対処するために特別に設計された共形予測手法の最近の進歩をまとめるものである。 まず,弱依存性条件下での分割等角予測に対する有限サンプル保証を導出する理論的基礎を提示する。 次に、キャリブレーションデータを再重み付けしたり、残留分布を動的に更新したり、ターゲットのカバレッジレベルをリアルタイムで調整したりすることで、シリアル依存を軽減する最先端のアプローチを調査し、分類する。
  論文  参考訳（メタデータ） (2025-11-17T17:12:51Z)
• Bayesian Renormalization [68.8204255655161]
  ベイズ統計的推論にインスパイアされた再正規化に対する完全情報理論的アプローチを提案する。 ベイズ再正規化の主な洞察は、フィッシャー計量が創発的RGスケールの役割を担う相関長を定義することである。 本研究では,ベイズ正規化方式が既存のデータ圧縮法やデータ生成法とどのように関係しているかを考察する。
  論文  参考訳（メタデータ） (2023-05-17T18:00:28Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)
• Dimension Free Generalization Bounds for Non Linear Metric Learning [61.193693608166114]
  我々はスパース体制と非スパース体制という2つの体制に対して一様一般化境界を提供する。 解の異なる新しい性質を頼りにすることで、次元自由一般化保証を提供することができることを示す。
  論文  参考訳（メタデータ） (2021-02-07T14:47:00Z)
• Implicit Regularization in ReLU Networks with the Square Loss [56.70360094597169]
  モデルパラメータの明示的な関数によって、平方損失による暗黙の正規化を特徴付けることは不可能であることを示す。 非線形予測器の暗黙的正規化を理解するためには,より一般的な枠組みが必要であることが示唆された。
  論文  参考訳（メタデータ） (2020-12-09T16:48:03Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。