論文の概要: Prior laundering: learned priors with inherited, undetectable overconfidence

• arxiv url: http://arxiv.org/abs/2607.21721v1
• Date: Thu, 23 Jul 2026 18:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:56.966836
• Title: Prior laundering: learned priors with inherited, undetectable overconfidence
• Title（参考訳）: 事前洗浄:継承された、検出不可能な過信を持つ学習先行
• Abstract要約: 学習された生成前駆体は、不適切なベイズ逆問題に益々用いられる。 しかし、トレーニングには真実が必要で、地震や医療画像が不足しているため、リコースはレガシーな再構築のアーカイブです。 我々は、測定がどの方向で解決するかを報告し、パイプラインを通じて継承された信条からデータサポートの信頼性を分離することを推奨する。
• 参考スコア（独自算出の注目度）: 5.501750271221856
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learned generative priors are increasingly used for ill-posed Bayesian inverse problems, their posterior uncertainty treated as earned from data. But training one requires truths, scarce in seismic and medical imaging, so the recourse is an archive of legacy reconstructions---prior laundering. Where the measurements are uninformative the posterior reverts to the prior, so the uncertainty reported there is the archive's, not the data's, and nothing in deployment reveals it: truths differing only on those directions induce identical data laws, and self-consistency checks such as simulation-based calibration pass whatever the prior believes. That belief has an exact source: averaging the legacy posterior over the measurements yields the old regularizer advanced a single expectation--maximization step---improved where the data resolve, frozen where they cannot. It is overconfident wherever the inherited belief is tighter than the truth. A single-best archive is worse, collapsing the blind credible interval to zero width. Deployed, a diffusion prior fit to the archive under-covers the operator's blind subspace, unlike a truth-trained control, and a normalizing flow does the same on a nonlinear groundwater operator. We recommend reporting which directions the measurements resolve, separating confidence the data support from belief inherited through the pipeline.
• Abstract（参考訳）: 学習された生成前駆体は、不適切なベイズ逆問題、その後続の不確実性はデータから得られるものとして扱われることが多い。 しかし、訓練には真実が必要で、地震や医療画像が不足している。 測定が非形式的である場合、後部から前へ回帰するので、データではなくアーカイブが存在すると報告された不確実性は、その方向だけが異なる真理が同一のデータ法則を誘導し、シミュレーションベースのキャリブレーションのような自己整合性チェックが前者が信じるとおりに通過する。 その信念には正確な根拠がある: 測定値よりも古い後部を平均すると、古い正規化器は1つの期待を上回り、最大化ステップは、データが解決された場所で---------------------------------------------------------------------------------------------------- ---------------------------------------------------------------------------------------------------- - 世襲信仰が真実よりも厳密な場所は、過信である。 シングルベストのアーカイブはより悪く、ブラインド信頼区間をゼロ幅に崩壊させる。 アーカイブに適合する拡散は、真理訓練された制御とは異なり、オペレータのブラインド部分空間をアンダーカバーし、正規化フローは非線形地下水オペレータ上でも同様である。 我々は、測定がどの方向で解決するかを報告し、パイプラインを通じて継承された信条からデータサポートの信頼性を分離することを推奨する。

関連論文リスト

• Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders [47.8060666024071]
  我々は,SASRecスタイルのモデルが,局所的な終点依存を示すことを示す。 その後、残余加算は全ブロック表現を同位置寄与に急変させる。 残留強度を変化させると、構造混合と終点依存との間のモノトニックなトレードオフが生じる。
  論文  参考訳（メタデータ） (2026-08-14T07:09:58Z)
• The Knowing-Saying Gap: When Probes See Errors that Confidence Misses [20.46211358172975]
  線形プローブは、ほぼ完全精度で言語モデルの劣化コンテキストを検知するが、信頼性の高い故障予測にはならない。 マルチホップ算術連鎖全体において、汚職を検出するプローブは最終解の正しさについて非形式的であることが判明した。 リアルタイムモニタとして、プローブベースの介入は、シャープにモデル化され、エラータイプに依存します。
  論文  参考訳（メタデータ） (2026-07-21T12:13:10Z)
• Does Reasoning Preserve Alignment? On the Trustworthiness of Large Reasoning Models [55.788110316999166]
  教師付き微調整, RL を用いた後訓練, および命令調整ベースラインに対する蒸留による推論モデルの比較を行った。 推論モデルはしばしば推論ベンチマークを改善するが、アライメント回帰を示す。 これらの回帰は、KL発散によって測定された命令調整ベースラインからの挙動ドリフトと一致している。
  論文  参考訳（メタデータ） (2026-06-09T16:14:27Z)
• Measurement Geometry and Design for Trustworthy Generative Inverse Problems [9.927046475467204]
  本研究では,測度・測度の観点から生成的逆問題について検討する。 中心的な問題は、固定測定オペレータが、生成前の条件下で可視である近傍の画像を識別できるかどうかである。 本稿では,操作者が先行関係の接点方向をいかによく観察するかを定量化する局所的な測定・次元整合性尺度を提案する。
  論文  参考訳（メタデータ） (2026-06-01T14:28:24Z)
• Silent Collapse in Recursive Learning Systems [24.578102943388256]
  トラジェクトリ統計をモニタし、遅い時間スケールの信頼変数を推定する軽量なメタ認知ループを提案する。 MTRは早期警告を提供し、実際のデータにアクセスすることなくサイレント崩壊を積極的に防止する。
  論文  参考訳（メタデータ） (2026-05-14T08:59:26Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• Self-supervised Conformal Prediction for Uncertainty Quantification in Imaging Problems [0.18434042562191813]
  ほとんどの画像復元問題は不調か不調である。 既存の画像復元手法の多くは、不確実性を定量化できないか、あるいは非常に不正確な推定を提供するかのいずれかである。 本稿では,SteinのUnbiased Risk Estimatorを利用した自己監督型コンフォメーション予測手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T18:00:36Z)
• Pre-training and Diagnosing Knowledge Base Completion Models [58.07183284468881]
  我々は,事実の集合から他の集合への知識伝達へのアプローチを,エンティティや関係マッチングを必要とせずに導入し,分析する。 主な貢献は、構造化されていないテキストから収集された事実の大規模事前学習を利用する方法である。 得られた事前学習モデルをよりよく理解するために,オープン知識ベースコンプリートのための事前学習モデルの解析のための新しいデータセットを導入する。
  論文  参考訳（メタデータ） (2024-01-27T15:20:43Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
  逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。 私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
  論文  参考訳（メタデータ） (2023-04-29T01:30:33Z)
• Uncertainty Estimates of Predictions via a General Bias-Variance Decomposition [7.811916700683125]
  本稿では,適切なスコアに対するバイアス分散分解を導入し,分散項としてブレグマン情報を導出する。 モデルアンサンブルや信頼領域を含む下流タスクにおけるこの分解の実践的妥当性を示す。
  論文  参考訳（メタデータ） (2022-10-21T21:24:37Z)
• Towards Error Measures which Influence a Learners Inductive Bias to the Ground Truth [0.0]
  本論文では,スパースデータを用いたシナリオにおける「基底真理」をモデル化する回帰的手法の能力にエラー対策がどう影響するかを検討する。 現在の誤差尺度は役に立たないバイアスを生じさせ、この振る舞いを示さない新しい誤差尺度が導出される。
  論文  参考訳（メタデータ） (2021-05-04T15:33:58Z)
• Continual Learning for Fake Audio Detection [62.54860236190694]
  本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。 ASVspoof 2019データセットで実験が行われる。
  論文  参考訳（メタデータ） (2021-04-15T07:57:05Z)
• A New Analysis of Differential Privacy's Generalization Guarantees [11.485744204944627]
  適応的に選択された統計的クエリに、差分的にプライベートで、サンプル精度が正確に答えるメカニズムも正解であることを示す。 私たちの新しい証明は初等的で、他の場所で役立つと期待されている構造的な洞察を与えてくれます。
  論文  参考訳（メタデータ） (2019-09-09T00:49:03Z)

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。