論文の概要: LOTTERY: Learning from Reference-Only Samples in Two-Sample Testing under Size Asymmetry

• arxiv url: http://arxiv.org/abs/2606.08460v1
• Date: Sun, 07 Jun 2026 05:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.119428
• Title: LOTTERY: Learning from Reference-Only Samples in Two-Sample Testing under Size Asymmetry
• Title（参考訳）: LOTTERY: サイズ非対称性下での2サンプルテストにおける参照オンリーサンプルからの学習
• Abstract要約: 本研究では, 厳密なサンプルサイズの不均衡を構成的に活用する方法を示す。 グローバル構造とローカル構造の両方をキャプチャする表現ファミリーのコレクションを組み込んでいます。 サンプルのサイズが大きくなると、表現集合が少なくとも1つの一貫した表現を含むとき、テストパワーは1つに収束する。
• 参考スコア（独自算出の注目度）: 6.903548360333296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-adaptive two-sample testing assesses if two samples come from the same distribution, using a discrepancy learned from the data (e.g., via kernel-based feature representations). Such methods typically rely on data splitting to decouple learning from testing and control type I error. However, this paradigm is ill-suited to few-shot settings with severe sample-size imbalance: abundant reference samples are available, while only a handful of query samples arrive. In this paper, we show how this imbalance can be leveraged constructively. Using abundant reference data, we learn reference-dependent representations that summarize salient structure of the reference distribution and provide informative signals for detecting departures. We incorporate a collection of representation families that capture both global and local structure, and adaptively weight them using only reference samples via an uncertainty-guided principle. Theoretically, we establish permutation-based type I error control and show consistency of the aggregated test: as the sample sizes grow, the test power converges to one whenever the representation set contains at least one consistent representation. Empirically, our aggregation achieves strong performance across a range of benchmarks while retaining type I error control.
• Abstract（参考訳）: データ適応型2サンプルテストは、2つのサンプルが同じ分布から来ているかどうかを評価する。 このようなメソッドは、テストとI型エラーの制御から学習を分離するために、データ分割に依存するのが一般的である。 しかし、このパラダイムは、サンプルサイズの不均衡が激しい少数のショット設定には不適であり、豊富な参照サンプルが利用可能であり、少数のクエリサンプルが到着するのみである。 本稿では,この不均衡を構築的に活用する方法を示す。 豊富な参照データを用いて、参照分布の健全な構造を要約した参照依存表現を学び、出発を検出するための情報信号を提供する。 我々は、グローバル構造とローカル構造の両方を捉える表現ファミリーの集合を組み込み、不確実性誘導原理を用いて参照サンプルのみを用いて適応的に重み付けする。 理論的には、置換に基づくI型エラー制御を確立し、集約されたテストの一貫性を示す: サンプルのサイズが大きくなるにつれて、表現セットが少なくとも1つの一貫した表現を含むと、テストパワーは1つに収束する。 経験的に、当社のアグリゲーションは、タイプIエラー制御を維持しながら、さまざまなベンチマークで強力なパフォーマンスを実現しています。

関連論文リスト

• Sampling-Based Estimation of Jaccard Containment and Similarity [0.0]
  本研究はサンプル間の重なり合いを予測する二項モデルを導入し,サンプルサイズが元の集合に比べて小さい場合の精度と実用性を示した。 このフレームワークは,データセットの類似性を推定するために拡張されており,本論文では,部分データやサンプルデータのみが利用可能な大規模データシステムにこれらの手法を適用するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-07-14T07:56:29Z)
• Two-cluster test [1.871954330708119]
  2クラスターテスト問題を導入し、従来の2サンプルテストとは全く異なる重要なテスト問題であると主張している。 合成データと実データの両方の実験により、提案したテストはType-Iエラー率を大幅に削減できることが示された。 さらに重要なことは、ツリーベースの解釈可能なクラスタリングと意味に基づく階層的クラスタリングにおいて、このような2クラスタテストの実践的利用がさらに検証されていることである。
  論文  参考訳（メタデータ） (2025-07-11T07:54:16Z)
• Two Is Better Than One: Aligned Representation Pairs for Anomaly Detection [56.57122939745213]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型手法は, 異常に関する事前知識を用いて, トレーニング中に合成外れ値を生成することによって, それらの表現をうまく学習している。 この制限は、通常のサンプルにおける対称性に関する事前の知識を活用して、異なるコンテキストでデータを観測する、新しいアプローチであるCon$で対処する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Testing properties of distributions in the streaming model [0.0]
  標準アクセスモデルと条件アクセスモデルにおける分散テストについて検討する。 目標は、メモリ制約を受けるサンプルの最適な数を使って、分散の特性をテストすることである。
  論文  参考訳（メタデータ） (2023-09-06T10:53:29Z)
• Dual Adaptive Representation Alignment for Cross-domain Few-shot Learning [58.837146720228226]
  ベース知識から学習することで、限られたサポートサンプルを持つ新規なクエリを認識することを目的としている。 この設定の最近の進歩は、ベース知識と新しいクエリサンプルが同じドメインに分散されていることを前提としている。 本稿では,ターゲットドメインで利用可能なサンプルが極めて少ないドメイン間数ショット学習の問題に対処することを提案する。
  論文  参考訳（メタデータ） (2023-06-18T09:52:16Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)
• Implicit Sample Extension for Unsupervised Person Re-Identification [97.46045935897608]
  クラスタリングは、時に異なる真のアイデンティティを混ぜ合わせたり、同じアイデンティティを2つ以上のサブクラスタに分割する。 本稿では,クラスタ境界周辺のサポートサンプルを生成するために,Implicit Sample Extension (OurWholeMethod)法を提案する。 提案手法の有効性を実証し,教師なしのRe-IDに対して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-04-14T11:41:48Z)
• Discovering Distribution Shifts using Latent Space Representations [4.014524824655106]
  新しい候補データセットに対するモデルの一般化性を評価するのは簡単ではない。 埋め込み空間幾何を用いて分布シフトを検出するための非パラメトリックフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-04T19:00:16Z)
• Rethinking Sampling Strategies for Unsupervised Person Re-identification [59.47536050785886]
  我々は,同じフレームワーク下での各種サンプリング戦略と損失関数のパフォーマンス差の理由を解析した。 グループサンプリングを提案し、同じクラスのサンプルをグループに集める。 Market-1501、DukeMTMC-reID、MSMT17の実験は、グループサンプリングが最先端の手法に匹敵する性能を達成することを示した。
  論文  参考訳（メタデータ） (2021-07-07T05:39:58Z)
• Contrastive Attraction and Contrastive Repulsion for Representation Learning [131.72147978462348]
  コントラスト学習(CL)法は,複数の負のサンプルに対して,エンコーダが各正のサンプルと対比する自己超越的な方法でデータ表現を学習する。 最近のCL法は、ImageNetのような大規模データセットで事前訓練された場合、有望な結果を得た。 自己グループ内の正と負のサンプルを別々に比較し、正と負の群を対比して進行する2つのCL戦略を提案する。
  論文  参考訳（メタデータ） (2021-05-08T17:25:08Z)
• Doubly Contrastive Deep Clustering [135.7001508427597]
  本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。 具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。 クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。 このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
  論文  参考訳（メタデータ） (2021-03-09T15:15:32Z)
• Does the dataset meet your expectations? Explaining sample representation in image data [0.0]
  ニューラルネットワークモデルは、トレーニングデータの多様性の欠如によって影響を受けます。 このような欠陥を特定し説明する手法を提案する。 次に,幾何学的形状のデータセットを解析するために本手法を適用した。
  論文  参考訳（メタデータ） (2020-12-06T18:16:28Z)
• Understanding Classifier Mistakes with Generative Models [88.20470690631372]
  ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。 本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。 我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
  論文  参考訳（メタデータ） (2020-10-05T22:13:21Z)

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。