論文の概要: Environment-Robust Representation Learning with Empirical Bayes

• arxiv url: http://arxiv.org/abs/2606.05365v1
• Date: Wed, 03 Jun 2026 19:12:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.353198
• Title: Environment-Robust Representation Learning with Empirical Bayes
• Title（参考訳）: 経験的ベイを用いた環境ロバスト表現学習
• Authors: Yuli Slavutsky, Matthew Shen, Bohan Wu, David M. Blei,
• Abstract要約: マルチ環境予測問題を考える。 複数の環境からのデータセットが与えられた場合、そのような問題に対してベイズモデルを定式化する。 この目的は、モデルの構造によって誘導される環境ごとの項と、追加の環境間バランス項に分解されることを示す。 後部近似のための補正変分アルゴリズムを開発し,得られた学習潜時変数を用いて新しい環境下での予測を行う。
• 参考スコア（独自算出の注目度）: 18.76526979302572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider multi-environment prediction problems. We assume the environments change the distribution of a latent variable, while the mechanisms generating observed covariates and targets remain stable conditional on that variable. For example, hospitals or clinical cohorts may differ in the prevalence of latent patient states, even though the relationships between those states, physiological measurements, and outcomes remain unchanged. Given a dataset from multiple environments, we formulate a Bayesian model for such problems and derive the corresponding variational objective. We show that this objective decomposes into per-environment terms and an additional cross-environment balancing term induced by the model's structure. We use an empirical Bayes method to set the prior and incorporate it into the objective. Based on this objective, we develop an amortized variational algorithm for posterior approximation, and use the resulting learned latent variables to form predictions in new environments.We study our approach through simulations and real-world studies of astronomical source identification, microbiome-based disease detection, and ICU sepsis prediction. Across these settings, our method outperforms previous approaches for prediction in new environments.
• Abstract（参考訳）: マルチ環境予測問題を考える。 環境が潜伏変数の分布を変えると仮定する一方で、観測された共変量およびターゲットを生成するメカニズムは、その変数上で安定な条件のままである。 例えば、病院や臨床コホートは、それらの状態、生理的測定、結果の関連性は変わらず、潜伏状態の頻度が異なる可能性がある。 複数の環境からのデータセットが与えられた場合、そのような問題に対してベイズモデルを定式化し、対応する変動目標を導出する。 この目的は、モデルの構造によって誘導される環境ごとの項と、追加の環境間バランス項に分解されることを示す。 実験的なベイズ法を用いて事前設定を行い,その目的に組み込む。 この目的に基づき, 後部近似のための補正変分アルゴリズムを開発し, 得られた潜伏変数を用いて新しい環境下での予測を行い, シミュレーション, 実世界の天文学的情報源同定, マイクロバイオームによる疾患検出, ICUセプシス予測によるアプローチについて検討した。 これらの設定の中で,本手法は,新しい環境下での予測手法よりも優れていた。

関連論文リスト

• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• Sparsity regularization via tree-structured environments for disentangled representations [4.824771782127179]
  因果表現学習は、経路活性化のような潜伏変数の推測を可能にすることによって科学的理解を促進することができる。 我々は複数の関連するデータセット(環境)とタスクから潜伏変数を推定する手法を開発した。 木に基づく規則化(TBR)は,予測誤差を最小化し,関連する環境を規則化し,類似の予測子を学習する。
  論文  参考訳（メタデータ） (2024-05-30T21:08:14Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Prediction under Latent Subgroup Shifts with High-Dimensional Observations [30.433078066683848]
  遅延シフト適応を用いたグラフィカルモデルにおける新しい予測手法を提案する。 RPMの新規な形態は、ソース環境における因果潜伏構造を特定し、ターゲットの予測に適切に適応する。
  論文  参考訳（メタデータ） (2023-06-23T12:26:24Z)
• Environment Invariant Linear Least Squares [16.831875263656027]
  本稿では,複数の実験環境からのデータを収集する多環境線形回帰モデルについて考察する。 線形最小二乗回帰のマルチ環境バージョンである、新しい環境不変線形最小二乗関数(EILLS)を構築する。
  論文  参考訳（メタデータ） (2023-03-06T13:10:54Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。