論文の概要: Partially Performative Prediction

• arxiv url: http://arxiv.org/abs/2606.07890v1
• Date: Fri, 05 Jun 2026 22:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.508569
• Title: Partially Performative Prediction
• Title（参考訳）: 部分的性能予測
• Authors: Jaewook Lee, Tijana Zrnic,
• Abstract要約: 本研究では,内因性と外因性の両方の分布シフトを捉える枠組みである部分的性能予測について検討する。 我々は,繰り返し再訓練を含む実践的な学習を分析し,部分的に実行された環境への適応に成功すると特徴付ける。
• 参考スコア（独自算出の注目度）: 13.658898020650476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performative prediction studies feedback loops that arise when predictive models are deployed in consequential domains. In these settings, deploying a model can change the population whose patterns the model aims to predict, inducing a distribution shift that is endogenous to the learning system. This perspective departs from classical treatments of distribution shift, where shifts are typically modeled as exogenous changes in the data-generating process. Yet, in practice, distribution shift is rarely one or the other. Predictive models may influence future data through the decisions they support, while the world itself continues to drift for reasons beyond the learner's control. We study partially performative prediction, a framework that captures both endogenous and exogenous sources of distribution shift. The framework generalizes performative prediction by allowing the data distribution to evolve both in response to the deployed model and according to an external, time-varying process. We extend the central notions of performative stability and performative optimality to this setting by defining their online analogues that track the evolving partially performative environment. We analyze practical learning heuristics, including repeated retraining, and characterize when they successfully adapt to partially performative environments.
• Abstract（参考訳）: 適応予測は、連続した領域に予測モデルが展開されたときに生じるフィードバックループを研究する。 これらの設定では、モデルをデプロイすることで、モデルが予測しようとするパターンの集団を変更でき、学習システムに内在する分布シフトを誘導する。 この視点は、データ生成プロセスにおける外因性変化としてモデル化される、分散シフトの古典的な処理から逸脱している。 しかし、実際には、流通のシフトはめったにない。 予測モデルは、彼らがサポートする決定を通じて将来のデータに影響を与える可能性があるが、世界そのものは学習者の制御を超えた理由のために漂流し続けている。 本研究では,内因性および外因性の両方の分布シフトを捉える枠組みである部分的性能予測について検討する。 このフレームワークは、デプロイされたモデルと外部の時間変化プロセスの両方に対応して、データ分散を進化させることで、パフォーマンス予測を一般化する。 我々は、その進化する部分的なパフォーマンス環境を追跡するオンラインアナログを定義することによって、パフォーマンス安定性とパフォーマンス最適性という中心的な概念を、この設定に拡張する。 本研究では,反復的再訓練を含む実践的学習ヒューリスティックスを分析し,一部動作環境への適応に成功すると特徴付ける。

関連論文リスト

• Consistent World Models via Foresight Diffusion [56.45012929930605]
  我々は、一貫した拡散に基づく世界モデルを学習する上で重要なボトルネックは、最適下予測能力にあると主張している。 本稿では,拡散に基づく世界モデリングフレームワークであるForesight Diffusion(ForeDiff)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:01:59Z)
• Predicting Practically? Domain Generalization for Predictive Analytics in Real-world Environments [18.086130222010496]
  本稿では,複雑な分布シフトを扱うための領域一般化手法を提案する。 提案手法は分散ロバスト最適化フレームワーク上に構築され,仮説上の最悪の分布に対してモデル性能を最適化する。 本稿では,情報システム (IS) 設計研究の進展における提案手法の広範な意味について論じる。
  論文  参考訳（メタデータ） (2025-03-05T11:21:37Z)
• 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)
• Out-of-Distribution Generalized Dynamic Graph Neural Network with Disentangled Intervention and Invariance Promotion [61.751257172868186]
  動的グラフニューラルネットワーク(DyGNN)は、グラフと時間力学を利用して強力な予測能力を実証している。 既存のDyGNNは、動的グラフに自然に存在する分散シフトを処理できない。
  論文  参考訳（メタデータ） (2023-11-24T02:42:42Z)
• Performative Prediction with Bandit Feedback: Learning through Reparameterization [23.039885534575966]
  行動予測は、データの分布自体がモデルの展開に応じて変化する社会予測を研究するためのフレームワークである。 本研究では,実行予測目標をデータ分散関数として再パラメータ化する再パラメータ化を開発する。
  論文  参考訳（メタデータ） (2023-05-01T21:31:29Z)
• Generative Causal Representation Learning for Out-of-Distribution Motion Forecasting [13.99348653165494]
  本稿では,分散シフト下での知識伝達を容易にするための生成因果学習表現を提案する。 ヒトの軌道予測モデルにおいて提案手法の有効性を評価する一方、GCRLは他の領域にも適用可能である。
  論文  参考訳（メタデータ） (2023-02-17T00:30:44Z)
• Learning Neural Models for Natural Language Processing in the Face of Distributional Shift [10.990447273771592]
  特定のデータセットでひとつのタスクを実行するための強力な神経予測器をトレーニングするNLPのパラダイムが、さまざまなアプリケーションで最先端のパフォーマンスを実現している。 データ分布が定常である、すなわち、トレーニングとテストの時間の両方で、データは固定された分布からサンプリングされる、という仮定に基づいて構築される。 この方法でのトレーニングは、人間が絶えず変化する情報の流れの中で学習し、操作できる方法と矛盾する。 データ分散がモデル寿命の経過とともにシフトすることが期待される実世界のユースケースに不適応である。
  論文  参考訳（メタデータ） (2021-09-03T14:29:20Z)
• 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)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)

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。