論文の概要: When Can You Correct Distribution Drift in Temporal Graph Generation? A Sharpening--Drift Tension and an Impossibility for Observation-Based Correction
- arxiv url: http://arxiv.org/abs/2607.24662v1
- Date: Mon, 27 Jul 2026 16:59:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.517716
- Title: When Can You Correct Distribution Drift in Temporal Graph Generation? A Sharpening--Drift Tension and an Impossibility for Observation-Based Correction
- Title（参考訳）: 時空間グラフ生成における分布ドリフトの補正は可能か? シャープニング・ドリフト張力と観測に基づく補正の不可能性
- Abstract要約: 時間グラフの生成モデルは、進化するネットワークの1つのストレッチでトレーニングされ、次にデプロイされる。
この劣化は一般に導出可能であり、観測では固定不可能である。
過去の観測に対して測定可能な任意の補正器が、少なくともその統計量の条件分散を残していることを証明している。
- 参考スコア（独自算出の注目度）: 16.716278644368
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models of temporal graphs are trained on one stretch of an evolving network and deployed on the next, and they degrade badly in the gap. We show this degradation is derivable, general, and not fixable from observations. The masked flow-matching loss decomposes exactly, with no independence assumption, into an irreducible entropy plus a divergence whose derivative along the training path is positive precisely for structures rare during training and common at deployment, diverging as their training probability goes to zero. Empirically the trade-off is a power law with exponent $-0.605$ ($R^2=0.9977$), and drift raises the sampler's error floor without changing how many steps reach it: across seven well-powered conditions the drift-period marginal error varies by at most $6\%$ over a $50\times$ range of sampling budgets, while the floor sits $2.2\times$ to $34.3\times$ above the in-period floor. Because the deployment period is observed, correction looks like a matter of measurement. It is not. We prove that any corrector measurable with respect to past observations leaves at least the conditional variance of the statistic it tracks, and that trend extrapolation beats trusting the last observation only when $μ^2>v(1-2ρ)$. Both premises are measurable and both go the wrong way: the drift is trendless and mean-reverting, with a one-step innovation as large as the drift itself. An oracle removes $60\%$ of the error, the best observation-based corrector recovers $5.7\%$ of that, and extrapolation is strictly worse than doing nothing clever.
- Abstract（参考訳）: 時間グラフの生成モデルは、進化するネットワークの1つのストレッチでトレーニングされ、次のストレッチにデプロイされる。
この劣化は一般に導出可能であり、観測では固定不可能である。
マスク付きフローマッチング損失は、独立性の仮定なしで正確に分解され、トレーニングパスに沿った導関数が、トレーニング中に稀で、デプロイ時に共通する構造に対して正の正の正で、トレーニング確率がゼロになるにつれて分散する、既約エントロピーと発散する。
実験的にこのトレードオフは、指数$-0.605$(R^2=0.9977$)の電力法であり、ドリフトはサンプルの誤差フロアを上昇させるが、ステップ数を変えない。
展開期間が観察されるため、修正は測定の問題のように見える。
それは違う。
過去の観測に対して測定可能な補正器は、少なくとも統計量の条件分散を残しており、その傾向外挿は、$μ^2>v(1-2ρ)$の場合にのみ最後の観測を信頼する。
両方の前提は測定可能で、どちらも間違っています。ドリフトはトレンドレスで、平均回帰であり、ドリフト自体と同じくらい大きなワンステップのイノベーションがあります。
オラクルはエラーの60\%を除去し、最良の観測ベースの修正器はその5.7\%を回収する。
関連論文リスト
- Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。
スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
論文 参考訳（メタデータ） (2026-09-07T01:38:41Z) - Your VLM Already Knows When: Training-Free Temporal Grounding by Asking Yes or No [2.531680975633497]
イベントを確実に認識するマルチモーダルLLMは、いつ発生したかはいまだに言えない。
この失敗はタスクインターフェースに存在し、知覚にはないことを示す。
論文 参考訳（メタデータ） (2026-08-08T19:57:47Z) - Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - High-Dimensional Interpolators Can Be Fragile: Heavy Tails and High-Dimensional Large Deviations [3.540245474029962]
大偏差法による高次元線形補間器について検討する。
まず、隆起のない回帰のリスクは、重端な振る舞いを示す可能性があることを示す。
我々はこの現象を大偏差率のレベルで定量化する。
論文 参考訳（メタデータ） (2026-07-10T15:58:03Z) - What Do Flow-Based Inverse Solvers Approximate? A Posterior-Transport View [31.082191748525137]
後部輸送フローに基づく問題解決法を提案する。
本研究では,無条件の音源を後部へ変形させるのに必要な最小エネルギーの周波数補正場として,軌跡誘導解法が読み取れることを示す。
論文 参考訳（メタデータ） (2026-06-23T12:50:11Z) - Is Spurious Correlation Removal Always Learnable? [56.28155520961125]
不変学習は、構造が統計的に識別可能であっても失敗することがある。
ブラックボックスサンプリング可能な教師付きスパースリカバリプリミティブの下では、実証可能な多次元環境が存在する。
合成および実際のデータセットは、予測されたギャップと遷移を示し、単純な多様性診断を動機付ける。
論文 参考訳（メタデータ） (2026-06-11T05:49:43Z) - Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。
鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。
我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
論文 参考訳（メタデータ） (2026-05-21T08:57:38Z) - The Geometry of Forgetting: Temporal Knowledge Drift as an Independent Axis in LLM Representations [50.43168858368539]
大規模言語モデルは自信を持って時代遅れの回答を生成し、既存の方法では検出できない。
これは工学的な失敗ではなく構造的な失敗であり、時間的ドリフトは、幾何的に残留流の方向として、正確性と不確実性の両方に符号化される。
論文 参考訳（メタデータ） (2026-05-09T22:27:31Z) - Learning Shrinks the Hard Tail: Training-Dependent Inference Scaling in a Solvable Linear Model [2.7074235008521246]
ニューラルネットワークのスケーリング法則を最終層微細チューニングの解法モデルで解析する。
学習がエラー分布の「ハードテール」を小さくすることを示す。
論文 参考訳（メタデータ） (2026-01-07T10:00:17Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z) - It's an Alignment, Not a Trade-off: Revisiting Bias and Variance in Deep
Models [51.66015254740692]
深層学習に基づく分類モデルのアンサンブルでは, バイアスと分散がサンプルレベルで一致していることが示される。
我々はこの現象をキャリブレーションと神経崩壊という2つの理論的観点から研究する。
論文 参考訳（メタデータ） (2023-10-13T17:06:34Z) - Optimization Variance: Exploring Generalization Properties of DNNs [83.78477167211315]
ディープニューラルネットワーク(DNN)のテストエラーは、しばしば二重降下を示す。
そこで本研究では,モデル更新の多様性を測定するために,新しい測度である最適化分散(OV)を提案する。
論文 参考訳（メタデータ） (2021-06-03T09:34:17Z)
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。