論文の概要: Beyond the Performance Illusion: Structure-Aware Stratified Partitioning and Curriculum Distributionally Robust Optimization for Spatially Correlated Domains

• arxiv url: http://arxiv.org/abs/2607.02055v1
• Date: Thu, 02 Jul 2026 11:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.815465
• Title: Beyond the Performance Illusion: Structure-Aware Stratified Partitioning and Curriculum Distributionally Robust Optimization for Spatially Correlated Domains
• Title（参考訳）: 性能イリュージョンを超えて:空間的関連ドメインに対する構造を考慮した階層分割とカリキュラム分布ロバスト最適化
• Authors: Prathamesh Patil, Arpit Jain, Aswanth Krishnan,
• Abstract要約: 本研究では,空間相関データに対する統一的な評価・訓練フレームワークを提案する。 この組み合わせは、一般化を一貫して改善し、信頼性の高い校正を行い、従来のランダムスプリット評価の下で隠されたモード障害を露呈することを示す。
• 参考スコア（独自算出の注目度）: 1.8595194352358455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Performance evaluation in AI systems commonly assumes that random dataset splits produce independent and identically distributed (i.i.d.) subsets. We show that this assumption often breaks down in spatiotemporally correlated domains such as aerial surveillance, precision agriculture, and medical imaging, leading to two systematic failures: data leakage, where correlated samples span training and validation splits and inflate performance estimates, and hidden stratification, where errors on minority subpopulations are obscured by aggregate metrics. To address these issues, we propose a unified evaluation and training framework for spatially correlated data. We introduce Structure-Aware Stratified Partitioning (SASP), which constructs validation splits that reduce spatiotemporal leakage while preserving meaningful class balance, and Curriculum Distributionally Robust Optimization (CDRO), a curriculum-based relaxation of distributionally robust training that stabilizes optimization under these stricter splits. Across multiple benchmarks, this combination yields consistently improved generalization, more reliable confidence calibration, and exposes failure modes that remain hidden under conventional random-split evaluation.
• Abstract（参考訳）: AIシステムの性能評価は、ランダムなデータセット分割が独立で同一に分散されたサブセット(すなわちd.d.)を生成すると一般的に仮定する。 この仮定は, 航空監視, 精密農業, 医用画像などの時空間的相関領域でしばしば分解され, 相関サンプルがトレーニングと検証にまたがって分割され, 性能推定が増大するデータ漏洩と, 少数集団のエラーが集約メトリクスによって隠蔽された階層化という2つの系統的障害を生じる。 これらの課題に対処するために,空間的相関データに対する統一的な評価・訓練フレームワークを提案する。 本稿では,有意義なクラスバランスを維持しながら時空間リークを低減するための検証分割を構成するStructure-Aware Stratified Partitioning (SASP)と,これらの厳密な分割の下で最適化を安定化する分散ロバスト学習のカリキュラムベースの緩和であるCurriculum Distributionally Robust Optimization (CDRO)を紹介する。 複数のベンチマークにおいて、この組み合わせは一般化を一貫して改善し、信頼性の高い校正を行い、従来のランダムスプリット評価の下で隠された障害モードを公開する。

関連論文リスト

• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Forecasting Multivariate Time Series under Predictive Heterogeneity: A Validation-Driven Clustering Framework [8.124770608442377]
  統計的決定問題として適応プーリングを定式化する。 我々は,いつ,どのように専門化を適用すべきかを決定する検証駆動型フレームワークを提案する。 大規模トラフィックデータセットの実験では、強いベースラインよりも一貫した改善が示されている。
  論文  参考訳（メタデータ） (2026-04-15T11:35:32Z)
• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• Distributionally Robust Federated Learning with Outlier Resilience [8.69285602685459]
  本研究では, 分散的頑健なフェデレーション学習について, 明確な外部レジリエンスを用いて検討した。 我々は、ロバスト性証明を許容するトラクタブルなラグランジアンペナルティ最適化として問題を再構築する。 この改革に基づいて,分散外乱フェデレーション学習アルゴリズムを提案し,その収束保証を確立する。
  論文  参考訳（メタデータ） (2025-09-29T08:42:12Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
  本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T14:15:31Z)
• Distributionally and Adversarially Robust Logistic Regression via Intersecting Wasserstein Balls [8.720733751119994]
  提案手法は,提案手法が標準データセットのベンチマーク手法よりも優れていることを示す。 前者からインスピレーションを得て、ロジスティック回帰のためにAROのワッサーシュタイン DR について検討し、トラクタブル凸最適化の修正が認められることを示す。
  論文  参考訳（メタデータ） (2024-07-18T15:59:37Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Global Distance-distributions Separation for Unsupervised Person Re-identification [93.39253443415392]
  既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-06-01T07:05:39Z)

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。