論文の概要: Validation-Induced Shapley Shifts: How Validation Structure Distorts Data Valuation

• arxiv url: http://arxiv.org/abs/2607.03675v1
• Date: Sat, 04 Jul 2026 03:07:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.678946
• Title: Validation-Induced Shapley Shifts: How Validation Structure Distorts Data Valuation
• Title（参考訳）: バリデーション誘起シェープリーシフト--バリデーション構造がデータバリデーションを歪ませる方法
• Abstract要約: 既存のプラクティスでは、トレーニングデータとモデルが修正されると、Shapley値は安定していると仮定することが多い。 ノイズの導入やシャプリー分布の方向転換など、検証セットの質素な変更さえも、体系的な脆弱性を明らかにする。 これらの歪みを軽減するために,正規化と境界認識による検証手法を提案する。
• 参考スコア（独自算出の注目度）: 4.612667782656628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Shapley values are widely used to attribute value to training data based on their marginal contribution to performance on a validation set. Existing practice often assumes these values are stable once the training data and model are fixed. In this work, we uncover a systematic vulnerability: even modest changes to the validation set, such as introducing noises, cause directional shifts in Shapley distributions. As noises are added, Shapley values of training samples compress toward zero. We trace this to a noise-induced neighborhood reshuffling effect: perturbations alter the local rank order between validation and training samples, flattening the valuation landscape. Using the KNN-Shapley framework, we show through synthetic and real data that these shifts are consistent and reproducible. Our findings challenge the assumption of Shapley stability and reveal a new axis of fragility in data valuation. We propose normalization and boundary-aware validation strategies to mitigate these distortions and enable more robust, interpretable valuation in machine learning marketplaces.
• Abstract（参考訳）: シェープ値は、検証セットのパフォーマンスに対する限界貢献に基づくトレーニングデータに対する値の属性として広く使用されている。 既存のプラクティスでは、トレーニングデータとモデルが修正されると、これらの値が安定していると仮定することが多い。 ノイズの導入やシャプリー分布の方向シフトなど,検証セットの微妙な変更さえも発生します。 ノイズが追加されると、トレーニングサンプルのシェープ値がゼロに圧縮される。 摂動は、検証とトレーニングサンプルの間の局所的なランク順序を変化させ、評価景観をフラットにする。 KNN-Shapleyフレームワークを用いて、これらのシフトは一貫性があり再現可能であることを示す。 我々の発見は、Shapleyの安定性の仮定に挑戦し、データバリュエーションにおける新たなフラクティリティの軸を明らかにする。 これらの歪みを緩和し、機械学習市場におけるより堅牢で解釈可能な評価を可能にするために、正規化と境界対応の検証戦略を提案する。

関連論文リスト

• Beyond Shapley: An Influence-Based Data Auditing Pipeline for LLM Alignment and Evaluation [2.733105115068754]
  反復モデルの再トレーニングなしにShapley値を近似する,スケーラブルで推論のみのデータアベイラビリティパイプラインを導入する。 重厚な2つのアライメントデータセットの衛生化におけるパイプラインの有効性を実証する。
  論文  参考訳（メタデータ） (2026-07-24T03:31:44Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• Online Bayesian Imbalanced Learning with Bregman-Calibrated Deep Networks [0.7106986689736825]
  本報告では、クラス優先の仮定から確率比の推定を分離する原則的フレームワークであるOBIL(TextitOnline Bayesian Im Balanced Learning)を提案する。 我々のアプローチは、ブレグマンの発散と適切なスコアリングルールとの確立された接続に基づいて、そのような損失で訓練されたディープネットワークが後続確率推定を生成することを示す。 これらの確率比の推定は、クラス事前およびコスト構造における任意の変化の下でも有効であり、最適なベイズ決定のためのしきい値調整のみを必要とすることを証明している。
  論文  参考訳（メタデータ） (2026-02-08T21:23:00Z)
• On the Inflation of KNN-Shapley Value [26.105554752277648]
  本稿では, 有害試料と有害試料を区別する閾値としてゼロを校正するキャリブレーションKNN-Shapleyを提案する。 本稿では,データ評価インフレーションの緩和,有害サンプルの検出,データ品質評価におけるCKNN-Shapleyの有効性を示す。
  論文  参考訳（メタデータ） (2024-05-25T03:26:33Z)
• 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)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Confidence-aware Training of Smoothed Classifiers for Certified Robustness [75.95332266383417]
  我々は「ガウス雑音下での精度」を、入力に対する対角的ロバスト性の容易に計算可能なプロキシとして利用する。 実験の結果, 提案手法は, 最先端の訓練手法による信頼性向上を継続的に示すことがわかった。
  論文  参考訳（メタデータ） (2022-12-18T03:57:12Z)
• Certifying Model Accuracy under Distribution Shifts [151.67113334248464]
  本稿では,データ分布の有界ワッサースタインシフトの下でのモデルの精度について,証明可能なロバスト性保証を提案する。 変換空間におけるモデルの入力をランダム化する単純な手順は、変換の下での分布シフトに対して確実に堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T22:03:50Z)
• Consistency Regularization Can Improve Robustness to Label Noise [4.340338299803562]
  本稿では,雑音ラベルに対するトレーニング時ロバスト性に対する整合正則化の関連性について実験的に検討する。 整合性を促進する単純な損失関数は、ノイズをラベル付けするためのモデルの堅牢性を改善する。
  論文  参考訳（メタデータ） (2021-10-04T08:15:08Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)

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。