論文の概要: Exposure Bias as Epistemic Underidentification in Recursive Forecasting
- arxiv url: http://arxiv.org/abs/2606.12990v1
- Date: Thu, 11 Jun 2026 07:25:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.640532
- Title: Exposure Bias as Epistemic Underidentification in Recursive Forecasting
- Title（参考訳）: Recursive Forecastingにおけるエピステマティック・アンダーアイデンティティーとしての露光バイアス
- Abstract要約: 部分的な可観測性や状態乱れの下では、再帰的なロールアウトも未同定の問題であることを示す。
決定論的潜在力学であっても、ワンステップベイズ監督は観察された文脈でのみ行動を特定する。
我々は、誘導状態$Z$と証明変数$P$でこれを定式化し、誘導状態エラーを教師強制/ロールアウトミスマッチに分解する。
- 参考スコア（独自算出の注目度）: 1.2489632787815885
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recursive multi-step forecasting is usually framed as distribution shift: models are trained on observed histories but deployed on their own predictions. We show this framing is incomplete by proving that, under partial observability or state truncation, recursive rollout is also an epistemic underidentification problem. Even with deterministic latent dynamics, one-step Bayes supervision identifies behavior only on observed contexts and need not identify the deployed recursive predictor once rollout queries self-generated induced states whose correct local targets are not determined by numeric state alone. We formalize this with induced states $Z$ and provenance variables $P$, and derive a decomposition of induced-state error into teacher-forcing/rollout mismatch, representation--class approximation, and provenance information gaps. Empirically, we show that rollout enters a distinct induced-state regime, that fixed induced states define a distinct local corrective task, and that closed-loop gains arise not only from local adaptation but also from changing the induced states visited during rollout. Using a simple binary provenance encoding, provenance-aware correction can further improve performance, though gains are conditional rather than uniform. These results recast exposure bias as reasoning under self-induced epistemic uncertainty.
- Abstract（参考訳）: 再帰的なマルチステップ予測は通常、分布シフトとしてフレーム化され、モデルは観測された履歴に基づいて訓練されるが、独自の予測にデプロイされる。
再帰的ロールアウトは, 部分的観察可能性や状態乱れの下では, エピステマ性下垂体化の問題でもあることを証明し, 不完全であることを示す。
決定論的潜在力学であっても、ワンステップベイズ監督は観測された文脈でのみ振る舞いを識別し、展開された再帰予測器を特定する必要はない。
我々はこれを$Z$と$P$で定式化し、誘導状態エラーを教師強制/ロールアウトミスマッチ、表現-クラス近似、証明情報ギャップに分解する。
実験的に, ロールアウトは異なる誘導状態状態に入り, 固定誘導状態は異なる局所的是正タスクを定義すること, 閉ループゲインは局所的適応だけでなく, ロールアウト中に訪れた誘導状態を変化させることからも生じることを示す。
単純なバイナリ前置詞符号化を用いることで、前置詞対応の補正はパフォーマンスをさらに向上させることができるが、ゲインは均一ではなく条件付きである。
これらの結果は、自己誘発性てんかんの不確実性の下で、露光バイアスを推論として再放送する。
関連論文リスト
- Replicating Belief, Not Bits: Epistemic State Replication for Agentic Systems [2.124730017640531]
分散システムにおいて、古典的ステートマシンレプリケーションモデルは、正しいレプリカが決定論的遷移を実行し、同じビットワイズ状態を生成すると仮定する。
本稿では,複製境界をデータ可視性から知識可視性へシフトさせるエージェント型分散システムのための信念複製層であるEpistemic State Replication (ESR)を提案する。
論文 参考訳（メタデータ） (2026-07-03T19:59:03Z) - 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) - Dynamic Correction of Erroneous State Estimates via Diffusion Bayesian Exploration [9.087312455936134]
緊急対応やその他の高い社会的応用において、早期状態推定は下流の結果を批判的に形作る。
制限された情報やバイアスのある情報に基づくこれらの初期状態の見積もりは、現実と深刻なミスマッチする可能性がある。
本稿では,早期状態推定誤差の原理的リアルタイム補正を可能にする拡散駆動型ベイズ探索フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-01T22:08:26Z) - Selecting Belief-State Approximations in Simulators with Latent States [6.368520403252146]
状態リセットは基本的なものであるが、しばしば見過ごされるシミュレータの能力である。
この問題は、一般的な条件分布選択タスクに還元されることを示す。
我々はサンプリング専用アクセス下での新しいアルゴリズムと解析法を開発した。
論文 参考訳（メタデータ） (2025-11-25T21:34:01Z) - 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) - Counterfactual Realizability [52.85109506684737]
本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。
本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
論文 参考訳（メタデータ） (2025-03-14T20:54:27Z) - Identifiable Latent Neural Causal Models [82.14087963690561]
因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。
因果表現の識別可能性に寄与する分布シフトのタイプを決定する。
本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
論文 参考訳（メタデータ） (2024-03-23T04:13:55Z) - Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。
経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
論文 参考訳（メタデータ） (2023-10-28T06:46:03Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - Neuro-Symbolic Entropy Regularization [78.16196949641079]
構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。
エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。
我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
論文 参考訳（メタデータ） (2022-01-25T06:23:10Z) - 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) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z)
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。