論文の概要: What Transfers Under Source Shift? Definitions, Examples, and Fine-Tuning for Climate Disclosure Classification

• arxiv url: http://arxiv.org/abs/2607.17952v1
• Date: Mon, 20 Jul 2026 13:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.645616
• Title: What Transfers Under Source Shift? Definitions, Examples, and Fine-Tuning for Climate Disclosure Classification
• Title（参考訳）: ソースシフト下での移動とは何か : 気候情報開示分類における定義, 事例, 微調整
• Abstract要約: 気候開示分類は、クロスソース適応問題である。 広く使われている3つの適応戦略(定義、例、微調整)が研究されている。 すべての戦略は、平均して正のクロスソースゲインをもたらすが、最強のインソース戦略は、最強のクロスソース戦略ではない。
• 参考スコア（独自算出の注目度）: 8.112294351600628
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Climate disclosure classification is a fundamental task for analysing corporate climate disclosures, yet such disclosures appear in many different sources -- annual reports, press releases, and earnings calls -- that differ in length, purpose, and writing style. Existing evaluations are mostly conducted within a single source, leaving open whether common LLM adaptation strategies remain effective under source shift. We reframe climate disclosure classification as a cross-source adaptation problem and study three widely used adaptation strategies -- definitions, examples, and fine-tuning -- across eleven open- and closed-source LLMs, using two corpora that share the same label space but come from different sources. We find that all strategies bring positive cross-source gains on average, but the strongest in-source strategies are not the strongest cross-source ones: similarity-based retrieval and LoRA fine-tuning gain most in-source but lose most of that advantage under source shift; randomly selected few-shot examples, a weaker in-source baseline, retain their advantage more reliably; definitions transfer most consistently, though only when their granularity matches the target text. Across these strategies, when the source changes, simpler is often safer.
• Abstract（参考訳）: 気候変動の開示分類は、企業による気候変動の開示を分析するための基本的な課題だが、年次報告、プレスリリース、決算報告など、長さ、目的、書き込みスタイルが異なる多くの異なるソースにそのような開示が現れる。 既存の評価は、主に単一のソース内で行われ、共通LLM適応戦略がソースシフトの下で有効であるかどうかをオープンにしておく。 我々は、クロスソース適応問題として気候開示の分類を再構築し、同じラベル空間を共有しながら異なるソースから派生した2つのコーパスを使用して、11のオープンソースおよびクローズドソース LLM に対して、広く使われている3つの適応戦略(定義、例、微調整)を研究する。 類似性に基づく検索とLoRAの微調整は、ソースシフト時に最も多くを得るが、ソースシフト時にその利点をほとんど失う。ランダムに選択された少数ショット例、より弱いインソースベースラインは、その利点をより確実に維持する。 これらの戦略全体において、ソースが変更されると、よりシンプルになることが多い。

関連論文リスト

• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [64.37805399216347]
  パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Domain-Specific Risk Minimization for Out-of-Distribution Generalization [104.17683265084757]
  まず、適応性ギャップを明示的に考慮した一般化境界を確立する。 本稿では,目標に対するより良い仮説の選択を導くための効果的なギャップ推定法を提案する。 もう1つの方法は、オンラインターゲットサンプルを用いてモデルパラメータを適応させることにより、ギャップを最小化することである。
  論文  参考訳（メタデータ） (2022-08-18T06:42:49Z)
• Balancing Discriminability and Transferability for Source-Free Domain Adaptation [55.143687986324935]
  従来のドメイン適応(DA)技術は、ドメイン不変表現を学習することでドメイン転送性を改善することを目的としている。 ラベル付けされたソースとラベル付けされていないターゲットへの同時アクセス要件は、ソースフリーなDA設定に適さない。 そこで本研究では,原文と翻訳サンプルの混在が識別可能性と伝達可能性のトレードオフを促進することを示す新しい知見を導出する。
  論文  参考訳（メタデータ） (2022-06-16T09:06:22Z)
• Multi-Source domain adaptation via supervised contrastive learning and confident consistency regularization [0.0]
  Multi-Source Unsupervised Domain Adaptation (multi-source UDA)は、複数のラベル付きソースドメインからモデルを学習することを目的としている。 本稿では,この制限に対処するマルチソースUDAに対して,コントラスト型マルチソースドメイン適応(CMSDA)を提案する。
  論文  参考訳（メタデータ） (2021-06-30T14:39:15Z)
• Evaluating the Values of Sources in Transfer Learning [38.93955146476584]
  SEAL-Shapは、ソースの有用性を定量化する効率的なソース評価フレームワークである。 我々のフレームワークは有用な転送ソースを選択するのに有効であるだけでなく、ソース値も直感的なソースとターゲットの類似性にマッチする。
  論文  参考訳（メタデータ） (2021-04-26T13:35:24Z)
• Universal Source-Free Domain Adaptation [57.37520645827318]
  ドメイン適応のための新しい2段階学習プロセスを提案する。 Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。 Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
  論文  参考訳（メタデータ） (2020-04-09T07:26:20Z)

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。