論文の概要: Decision-Aware Training for Sample-Based Generative Models

• arxiv url: http://arxiv.org/abs/2607.01171v1
• Date: Wed, 01 Jul 2026 17:02:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.999307
• Title: Decision-Aware Training for Sample-Based Generative Models
• Title（参考訳）: サンプルベース生成モデルの意思決定学習
• Abstract要約: 本稿では, サンプルベース生成モデルに対する意思決定学習を提案し, モデル予測に作用して得られるコストを直接考慮し, エネルギースコアの目標を微分可能な決定損失で増大させる。 提案手法を1つの実世界のタスクと2つの実世界のタスクで検証し,完全な確率予測を維持しつつ,コスト感受性のある領域の改善を目標とした。
• 参考スコア（独自算出の注目度）: 0.08594140167290099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sample-based generative models are increasingly used for probabilistic forecasting in high-stakes decision settings, yet their training objectives are blind to the decision maker's cost structure. These models are commonly trained with strictly proper scoring rules, such as the energy score, which allocate their training signal in proportion to data density, with no awareness of where forecast errors are most costly for downstream decisions. We therefore propose decision-aware training for sample-based generative models, augmenting the energy score objective with a differentiable decision loss that directly penalises the cost incurred by acting on the model's forecast. This combined loss is theoretically grounded, as the decision loss is itself a proper scoring rule. We validate our method on one synthetic and two real-world tasks, showing targeted improvements in cost-sensitive regions while retaining full probabilistic forecasts.
• Abstract（参考訳）: サンプルベースの生成モデルは、高い意思決定設定における確率的予測にますます使われていますが、それらのトレーニング目的は意思決定者のコスト構造に盲目です。 これらのモデルは、データ密度に比例してトレーニングシグナルを割り当てるエネルギスコアなど、厳密に適切なスコアリングルールで訓練されている。 そこで我々は,サンプルベース生成モデルに対する意思決定学習を提案し,モデル予測に作用して得られるコストを直接考慮し,エネルギースコアの目標を微分可能な決定損失で増大させる。 この複合的な損失は、決定損失自体が適切なスコアリングルールであるため、理論的に根拠づけられる。 提案手法を1つの実世界のタスクと2つの実世界のタスクで検証し、完全な確率予測を維持しつつ、コスト感受性のある領域の改善を目標としたことを示す。

関連論文リスト

• Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias [4.124127724629818]
  デプロイ前に新しい環境で予測モデルがどのように機能するかを検討する。 任意のブラックボックス予測モデルのターゲットリスクを推定するための二重機械学習手法を提案する。 eICU電子健康記録データベースを用いた実験により推定器の評価を行った。
  論文  参考訳（メタデータ） (2026-06-12T14:39:03Z)
• Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice [12.709654635425442]
  タブラル基礎モデルは選択予測タスクにおいて高い精度を達成する。 しかし、彼らの予測は、それらのタスクが必要とする経済論理に反することが多い。 実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
  論文  参考訳（メタデータ） (2026-05-26T05:13:20Z)
• Act or Escalate? Evaluating Escalation Behavior in Automation with Language Models [0.0]
  我々は不確実性の下での意思決定としてエスカレーションをモデル化する。 モデルがこれらのコストをトレードオフするために使用している暗黙のしきい値に、明らかな違いが見られます。 次に、この決定プロセスをターゲットにした介入を、さまざまなコスト比でテストします。
  論文  参考訳（メタデータ） (2026-03-31T19:29:17Z)
• 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)
• Robust Losses for Decision-Focused Learning [2.9652474178611405]
  決定にフォーカスした学習は、最適下決定を行うことで後悔を最小限に抑えるために予測モデルを訓練することを目的としている。 経験的最適決定は期待された最適決定と大きく異なるため、経験的後悔は非効果的な代理となり得る。 より強固に予測された後悔を近似する3つの新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2023-10-06T15:45:10Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。