論文の概要: FrED: External Data Influence Estimation via Domain Knowledge Graph Grounding
- arxiv url: http://arxiv.org/abs/2607.21615v1
- Date: Tue, 26 May 2026 15:14:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.944215
- Title: FrED: External Data Influence Estimation via Domain Knowledge Graph Grounding
- Title（参考訳）: FrED: ドメイン知識グラフによる外部データ影響推定
- Abstract要約: ブラックボックス設定で完全に動作する新しい確率的フレームワークを提案する。
本手法は,個々のドメイン固有の知識グラフと連続的特徴類似性を融合する。
我々は,抽象芸術的画像合成と高次元物理天気予報という,2つの異なる領域にまたがる枠組みを評価する。
- 参考スコア（独自算出の注目度）: 3.686386213696443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid deployment of generative AI has amplified the critical need for Training Data Attribution to ensure transparency and accountability. However, current parametric approaches require computationally prohibitive access to model weights, while similarity-based methods ignore deep structural context. We propose a novel probabilistic framework that operates entirely in a black-box setting. Our method fuses continuous feature similarities with discrete, domain-specific Knowledge Graphs (KGs). This approach ensures the attribution is grounded in structural reality, explicitly rewarding highly specific historical samples while preventing generic background data from dominating the results. We evaluate our framework across two distinct domains where linking outputs to data and domain context is inherently complex: abstract artistic image synthesis and high-dimensional physical weather forecasting. Extensive benchmarking demonstrates the robust efficacy of our approach. In the artistic domain, it achieves a strong Linear Datamodeling Score that exceeds standard black-box similarity baselines, while closing much of the gap to gradient-based estimators. We additionally present a cross-domain feasibility case study in environmental forecasting, where we use domain KGs to retrieve physically consistent historical analogs for regional flood forecasts, improving geographic localisation over a latent-only baseline. Operating entirely without internal model access, our approach provides an efficient, interpretable mechanism for post-hoc influence analysis and domain-grounded retrieval.
- Abstract（参考訳）: 生成AIの迅速な展開は、透明性と説明責任を保証するためのトレーニングデータ属性の必要性を増幅した。
しかし、現在のパラメトリックアプローチでは、モデルウェイトへの計算的に禁止されたアクセスが必要であるが、類似性に基づく手法は深い構造的文脈を無視する。
ブラックボックス設定で完全に動作する新しい確率的フレームワークを提案する。
本手法は,個々のドメイン固有知識グラフ(KG)と連続的特徴類似性を融合する。
このアプローチにより、属性が構造的な現実に根ざされ、特定の歴史的サンプルに明示的に報いると同時に、一般的な背景データが結果を支配するのを防ぐことができる。
データとドメインコンテキストとのリンクが本質的に複雑である2つの異なる領域 – 抽象芸術的画像合成と高次元物理天気予報 – にまたがって,我々のフレームワークを評価する。
大規模なベンチマークは、我々のアプローチの堅牢な有効性を示している。
芸術領域では、標準のブラックボックス類似性基準を超える強力な線形データモデリングスコアを達成し、勾配に基づく推定器とのギャップの多くを閉じる。
また, 環境予測における領域横断可能性ケーススタディとして, ドメインKGを用いて, 局所的な洪水予測の物理的に一貫した歴史的アナログを検索し, 潜水のみの基準線上での地理的局在を改善する。
本手法は, 内部モデルアクセスを必要とせずに完全に動作し, ポストホック影響解析とドメイングラウンド検索のための効率的かつ解釈可能な機構を提供する。
関連論文リスト
- Overcoming the Modality Gap in Context-Aided Forecasting [54.976964834365056]
本稿では,時間的力学の記述と数値履歴に相補的な文脈を生成する半合成データ拡張手法を提案する。
このアプローチによって大規模なデータセット生成が可能になり、700万のコンテキスト拡張時系列ウィンドウのコーパスであるCAF-7Mが実現される。
論文 参考訳（メタデータ） (2026-03-12T21:05:33Z) - Explainable Human-in-the-Loop Segmentation via Critic Feedback Signals [0.20999222360659608]
セグメント化出力の人為的補正による介入学習を可能にする,ループ内対話型フレームワークを提案する。
筆者らのフレームワークは,挑戦的な立方体データに対して最大9mIoUポイントのセグメンテーション精度を向上させることを実証している。
この研究は、精度が高く、データセットバイアスに頑健で、データ効率が良く、都市気候モニタリングや自動運転といった現実世界の領域に適応可能なセグメンテーションシステムを構築するための、研究者や実践者のための実践的なフレームワークを提供する。
論文 参考訳（メタデータ） (2025-10-11T01:16:41Z) - Domain Generalized Stereo Matching with Uncertainty-guided Data Augmentation [11.938635624781313]
State-of-the-art stereo matching (SM)モデルはドメインの違いにより実際のデータドメインに一般化できないことが多い。
データ拡張を活用してトレーニングドメインを拡張し、堅牢なクロスドメイン特徴表現を取得するようモデルに促します。
私たちのアプローチはシンプルでアーキテクチャに依存しないもので、任意のSMネットワークに統合することができます。
論文 参考訳（メタデータ） (2025-08-02T10:26:53Z) - DIDS: Domain Impact-aware Data Sampling for Large Language Model Training [61.10643823069603]
大規模言語モデルに対するドメインインパクト対応データサンプリング(DIDS)を提案する。
学習効果に基づくDIDSグループトレーニングデータでは、プロキシ言語モデルと次元削減が使用される。
同等のトレーニング効率を維持しながら平均パフォーマンスを3.4%向上させる。
論文 参考訳（メタデータ） (2025-04-17T13:09:38Z) - Domain Specific Data Distillation and Multi-modal Embedding Generation [0.0]
ドメイン中心の埋め込みを作成するという課題は、非構造化データの豊富さとドメイン固有の構造化データの不足から生じる。
本稿では,非構造化データからノイズをフィルタリングするために構造化データを活用する新しいモデリング手法を提案する。
論文 参考訳（メタデータ） (2024-10-27T03:47:46Z) - Optimal Aggregation of Prediction Intervals under Unsupervised Domain Shift [9.387706860375461]
分散シフトは、基礎となるデータ生成プロセスが変化したときに発生し、モデルの性能のずれにつながる。
予測間隔は、その基礎となる分布によって引き起こされる不確実性を特徴づける重要なツールとして機能する。
予測区間を集約し,最小の幅と対象領域を適切にカバーする手法を提案する。
論文 参考訳（メタデータ） (2024-05-16T17:55:42Z) - Trust your Good Friends: Source-free Domain Adaptation by Reciprocal
Neighborhood Clustering [50.46892302138662]
我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。
提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。
本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
論文 参考訳（メタデータ） (2023-09-01T15:31:18Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z) - f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。
領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
論文 参考訳（メタデータ） (2021-06-21T18:21:09Z)
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。