論文の概要: More Data, Worse Decisions? Preference Reversals in Neural Networks under Gram Incompatibility

• arxiv url: http://arxiv.org/abs/2607.27255v1
• Date: Tue, 28 Jul 2026 18:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.26989
• Title: More Data, Worse Decisions? Preference Reversals in Neural Networks under Gram Incompatibility
• Title（参考訳）: さらなるデータ, 最悪の決定? 文法不整合下におけるニューラルネットワークの予測逆転
• Abstract要約: ケースベース決定理論(CBDT)は、その構成公理を通じて要求を定式化する。 この特性が、通常最小二乗(OLS)出力ヘッドを持つ固定表現ニューラルネットワークに対していつ保持されるかを検討する。 意思決定からタスク定義ユーティリティ損失まで、厳密なペアの逆転をトレースする3段階の監査を開発する。
• 参考スコア（独自算出の注目度）: 9.196757973061198
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural networks increasingly combine data across populations, time periods, and operating conditions to improve generalization. This raises a reliability question: whether a model refitted on pooled data preserves an action ordering supported by both sources. Case-Based Decision Theory (CBDT) formalizes this requirement through its composition axiom, which requires source-supported preferences to survive their union. We study when this property holds for fixed-representation neural networks with ordinary least squares (OLS) output heads. First, we show that pooled refitting recomputes the inverse-Gram geometry used to weight source evidence, which can reverse shared preferences, and derive exact and approximate preservation conditions. Next, we introduce a scale-invariant Gram mismatch measure for prioritizing candidate pools and geometry-oriented regularization for shaping source geometry during training. Finally, we develop a three-stage audit that traces strict pairwise reversals through decision changes to task-defined utility loss. Experiments spanning a load-based bidding proxy and medical and financial decision proxies reveal stable and reversal-prone pooling regimes: the load audit identifies a measurable nonzero class of source-consensus-relative harmful decisions under the proxy utility, while cross-domain audits show that comparable mismatch can correspond to sharply different preservation rates. Geometry-oriented objectives occupy distinct descriptive accuracy-consistency-geometry-harm operating points. Together, the framework makes compositional reliability measurable and operational through screening, analytic certification, geometry-oriented training, and decision-consequence auditing.
• Abstract（参考訳）: ニューラルネットワークは、人口、期間、および運用条件をまたいだデータを組み合わせて一般化を改善する。 これは、プールされたデータに再構成されたモデルが、両方のソースでサポートされているアクション順序を保存するかどうかという信頼性の問題を引き起こす。 CBDT (Case-Based Decision Theory) は、その構成公理を通じてこの要件を定式化し、その和合を生き残るためにはソース支援された選好を必要とする。 この特性が、通常最小二乗(OLS)出力ヘッドを持つ固定表現ニューラルネットワークに対していつ保持されるかを検討する。 まず, プールリフィッティングは, 共用選好を逆転させ, 正確な, 近似保存条件を導出し, 証拠の重み付けに使用する逆グラム幾何を再計算することを示す。 次に、候補プールの優先順位付けのためのスケール不変なグラムミスマッチ尺度と、トレーニング中にソース幾何学を形作るための幾何学指向の正規化を導入する。 最後に、意思決定からタスク定義ユーティリティ損失に至るまで、厳密なペアの逆転をトレースする3段階の監査を開発する。 負荷監査は、プロキシユーティリティの下での、測定不可能なソース・コンセンサス関連有害な決定の非ゼロクラスを特定し、クロスドメイン監査は、同等のミスマッチが、著しく異なる保存率に対応できることを示している。 幾何学指向の目的は、異なる記述的精度-整合性-幾何-ハーム演算点を占有する。 このフレームワークは、スクリーニング、解析的認証、幾何学的指向のトレーニング、意思決定の監査を通じて、構成的信頼性を計測し、運用可能にする。

関連論文リスト

• Shared Physics Responses Recover Hidden Rankings in Neural Operator Libraries [0.5371337604556311]
  ヒルベルト空間の2乗損失の下では、有限モデルライブラリのランク付けは、候補差の低次元スパンに厳密に依存していることが示される。 このフレームワークは、地上データを必要とすることなく、科学的サロゲートの信頼性と高効率な展開を可能にする。
  論文  参考訳（メタデータ） (2026-08-20T14:10:09Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• From Neural Network Decisions to Training Cases: An Exact Account via Case-Based Decision Theory [2.394494660847436]
  固定されたニューラル表現に装着したOLSアクションの読み出しは、正確なケースベース分解を許容することを示す。 この分解は、トレーニングケースにスコアをトレースする監査信号を生成し、アクションコヒーレンスを測定し、弱いサポートを識別する。
  論文  参考訳（メタデータ） (2026-07-13T10:08:00Z)
• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• 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)
• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• K$α$LOS finds Consensus: A Meta-Algorithm for Evaluating Inter-Annotator Agreement in Complex Vision Tasks [4.297070083645049]
  本稿では,「ローカライゼーションファースト」の原理を一般化した統一メタアルゴリズムであるK$LOSを提案する。 合意を査定する前に空間対応を解消することにより,複雑な分類問題を名目上の信頼性に変換する。
  論文  参考訳（メタデータ） (2026-03-28T08:54:05Z)
• Gaussian Joint Embeddings For Self-Supervised Representation Learning [0.0]
  自己パラメトリック表現学習は、しばしば決定論的予測アーキテクチャに頼り、潜在空間におけるコンテキストとターゲットビューを整列させる。 生成的関節モデルに基づく確率的代替案を提案する。
  論文  参考訳（メタデータ） (2026-03-26T00:54:54Z)
• Geometric Calibration and Neutral Zones for Uncertainty-Aware Multi-Class Classification [0.0]
  この研究は情報幾何学と統計的学習を橋渡しし、厳密な検証を必要とするアプリケーションにおいて不確実性を認識した分類の正式な保証を提供する。 アデノ関連ウイルスの分類に関する実証的な検証は、2段階のフレームワークが72.5%のエラーをキャプチャし、34.5%のサンプルを遅延させ、自動決定エラー率を16.8%から6.9%に下げていることを示している。
  論文  参考訳（メタデータ） (2025-11-26T01:29:49Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。