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

• arxiv url: http://arxiv.org/abs/2607.21721v2
• Date: Thu, 30 Jul 2026 00:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 15:03:14.021931
• 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
• Authors: Ali Siahkoohi, Sina Alemohammad,
• Abstract要約: 学習された生成先行者は、現在、不適切な画像逆問題における正規化を供給している。 報告の不確実性が過度に信ずる可能性があることを示す。 測定側のチェックは公開できません。
• 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 now supply the regularization in ill-posed imaging inverse problems, and the uncertainty read from their posterior samples is taken as evidence earned from data. When examples of the true image are scarce, as in seismic and medical imaging, the widely adopted recourse is to train such a prior not on truths but on an archive of past reconstructions---prior laundering. We show that the uncertainty it then reports can be overconfident, and that no measurement-side check can reveal it. On the directions a forward operator leaves unresolved, this prior reports not what the data support but the assumption built into the older reconstruction method. More specifically, when the archive holds posterior samples, its population law---averaged over the measurements---is exactly the old regularizer advanced a single expectation--maximization step, frozen on the operator's blind subspace. The freeze leaves no signature in the data. Two truths differing only there induce identical data laws, so no goodness-of-fit test separates them, and self-consistency diagnostics, simulation-based calibration among them, pass whatever the prior believes. In the more realistic case, where the archive keeps a single-best reconstruction rather than posterior samples, the blind credible interval collapses to zero width. We prove these statements and demonstrate the inherited overconfidence on deployed seismic and groundwater imaging against a truth-trained control. We recommend reporting which directions the operator resolves---separating the confidence the data support from belief inherited through the pipeline.
• Abstract（参考訳）: 画像逆問題において、学習された生成前者は正規化を供給し、後部サンプルから読み取られた不確実性は、データから得られた証拠として捉えられる。 地震や医用画像のような真のイメージの例は少ないが、広く採用されている言い回しは、真実ではなく過去の再建のアーカイブである、事前の洗浄を訓練することである。 得られた不確実性は過度に確認され、測定側による確認が得られないことが示される。 フォワードオペレーターが未解決の方向に進むと、この前のレポートでは、データサポートとは何かではなく、古い再構築手法に組み込まれた仮定が報告される。 より具体的には、アーカイブが後部サンプルを保持するとき、その人口法則(平均値)は、正確には古い正規化器が単一の期待段階(最大化ステップ)を進み、オペレーターの盲点部分空間に凍結する。 フリーズはデータに署名を残さない。 2つの真実が同一のデータ法則を導出するだけなので、良質なテストは別々にせず、自己整合性診断、シミュレーションに基づく校正は、事前に信じていたものを全てパスする。 より現実的なケースでは、アーカイブが後続のサンプルではなく、単一の最良な再構築を維持している場合、ブラインド可能な間隔はゼロの幅に崩壊する。 我々はこれらの主張を証明し、真理に訓練された制御に対して、展開された地震・地下水イメージングにおける継承された過信を実証する。 我々は、オペレータがどの方向で解決するかを報告することを推奨する。-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。

関連論文リスト

• 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)
• 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)
• 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)

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。