論文の概要: ARC: Augmented-Rank Conformalization for Changepoint Localization --- Finite-Sample Validity and Distribution-Robust Efficiency

• arxiv url: http://arxiv.org/abs/2608.08424v1
• Date: Sun, 09 Aug 2026 02:44:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.81951
• Title: ARC: Augmented-Rank Conformalization for Changepoint Localization --- Finite-Sample Validity and Distribution-Robust Efficiency
• Title（参考訳）: ARC: 変更点ローカライゼーションのためのAugmented-Rank Conformalization ---finite-Sample Validityと分散ロバスト効率
• Abstract要約: ARCは、データに依存するスコアのファミリーであり、インターセグメントのランクのみである。 各ARCスコアは、凍結重量構成ごとに有限サンプルカバレッジを継承する。 ARC信頼集合全体は、厳密に増大する辺変換の下でほぼ確実に不変である。
• 参考スコア（独自算出の注目度）: 7.648414136980082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conformal changepoint localization turns any score into a confidence set for the changepoint with finite-sample coverage. Coverage is universal; efficiency is not. The oracle score is a likelihood ratio, so practical scores estimate density ratios, and set length deteriorates under heavy tails, skewness, and distribution shift, where no length guarantee applies. We propose ARC (Augmented-Rank Conformalization), a family of scores depending on the data only through within-segment ranks: rank-CUSUM location and scale channels, their fixed combinations, and a lightweight neural score frozen after synthetic training. Every ARC score inherits finite-sample coverage for every frozen weight configuration, including random initialization and mistraining. The main result is an efficiency transfer theorem: the entire ARC confidence set is almost surely invariant under strictly increasing marginal transforms, so the set length distribution depends on the data pair only through its rank structure, and lengths certified once hold verbatim across its monotone orbit, whereas a plug-in score's length changes with every re-expression. Across different rank structures lengths do change, and are reported as such. Classical rank-test theory positions ARC as targeting the optimal invariant score at bounded cost. Simulations confirm nominal coverage for all scores, including sabotaged networks, identical sets under monotone transforms where plug-in scores inflate, and smooth degradation where plug-in sets become vacuous; on the well-log benchmark ARC localizes annotated shifts to three to five candidates and flags misfit by an empty set. Two boundaries are stated rather than hidden: serial dependence destroys exactness, and trend-type alternatives lie outside the piecewise-exchangeable model.
• Abstract（参考訳）: コンフォーマルな変化点のローカライゼーションは、任意のスコアを有限サンプルカバレッジを持つ変更点に対する信頼セットに変換する。 カバーは普遍的であり、効率はそうではない。 オラクルスコアは確率比であり、実用的なスコアは密度比を推定し、重尾、歪、分布シフトの下でセット長は劣化するが、長さ保証は適用されない。 そこで我々はARC(Augmented-Rank Conformalization, Augmented-Rank Conformalization, a family of scores on the data only through the under-segment rank: rank-CUSUM location and scale channel, their fixed combinations, and a lightweight neural score frozen after synthetic training。 各ARCスコアは、ランダム初期化や誤学習を含む凍結重量構成の全てに対して有限サンプルカバレッジを継承する。 ARC の信頼度集合は、厳密に増大する辺縁変換の下でほぼ確実に不変であるため、セット長分布は、そのランク構造を通してのみデータ対に依存し、証明された長さはそのモノトーン軌道上で冗長性を保持する一方、プラグインスコアの長さは再表現毎に変化する。 異なる階数構造にまたがって長さが変化し、そのように報告される。 古典的なランクテスト理論は、ARCを最適不変スコアを有界コストでターゲットとしている。 シミュレーションにより、サボタードネットワーク、プラグインスコアが膨らむモノトーン変換の下での同一セット、プラグインセットが空になるスムーズな劣化など、すべてのスコアに対する命名的カバレッジが確認される。 シリアル依存は正確性を破壊し、トレンドタイプの代替品は断片的に交換可能なモデルの外にある。

関連論文リスト

• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• Convex-Hull-Neighborhood Smooth Dual Generalization: Controlling Local Correction Propagation in Offline RL [7.803284875836737]
  ブートストラップは オフライン強化学習における 推定誤差を増幅する 本稿では,ベルマンのバックアップをサンプル値のターゲットとして表現し,CHN局所補正を行うConvex Hull Neborhood Smooth Dual Generalizationを提案する。 Gym-MuJoCoとAntMazeの実験は、強力な集約性能と安定した値推定を示す。
  論文  参考訳（メタデータ） (2026-08-04T04:30:02Z)
• What Does a Discrete Diffusion Model Learn? [71.03603607324338]
  離散拡散モデルは、デノイザ、スコア比、ブリッジプラグイン予測器などを学ぶ。 まず, 連続時間マルコフ連鎖 (CTMC) ELBO の任意のノイズ発生過程に対する厳密な導出から始める。 すべてのアイデンティティは、正確に解けるモデル上で近似なしで数値的に検証される。
  論文  参考訳（メタデータ） (2026-07-06T17:56:11Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• AdaPaD: Adaptive Parallel Deflation for PEFT with Self-Correcting Rank Discovery [10.176501817419371]
  本稿では,AdaPaD(Adaptive Parallel Deflation)について述べる。 我々は、各成分の誤差がウォームアップ期間後に指数関数的に崩壊することを証明する。 AdaPaDは、GLUE上の適応ランクのLoRAベースラインとDeBERTaV3ベースとの整合パラメータ予算で競合する。
  論文  参考訳（メタデータ） (2026-05-11T15:44:13Z)
• The Extrapolation Cliff in On-Policy Distillation of Near-Deterministic Structured Outputs [52.709361620508595]
  ListOPDは、パラメータの5分の1で8B-SFTベースラインで、学生をドメイン内に持ち込む。 Amazon Fashionでは、3つの事前登録テスト — 細粒度崖間隔テスト、小さなクリップのクロス予測 — がロックされた予測ウィンドウ内に落下し、グリッド解像度以下のクローズドフォーム予測に一致する小さなクリップ値が設定されている。
  論文  参考訳（メタデータ） (2026-05-09T06:48:00Z)
• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-27T11:34:41Z)
• IGU-LoRA: Adaptive Rank Allocation via Integrated Gradients and Uncertainty-Aware Scoring [9.250460219785188]
  IGU-LoRAは、階層内統合勾配(IG)の感度を計算し、それらをランク割り当てのための階層レベルスコアに集約する適応ランクLoRAである。 IGU-LoRAは、一致したパラメータ予算でPEFTベースラインを一貫して上回り、下流の精度とロバスト性を改善している。
  論文  参考訳（メタデータ） (2026-03-14T06:45:54Z)
• Empirical Evaluation of No Free Lunch Violations in Permutation-Based Optimization [0.0]
  本研究では,アルゴリズムが評価順序でのみ異なるサンプリングを伴わない反復探索環境について検討する。 結果から, NFLの直観から, 客観的な再構成とベンチマーク設計が, どのようにして構造化された局所的離脱を発生させるかが示唆された。 このメッセージは進化的計算にも適用され、レバリング、再サンプリング、置換テストに基づく統計処理にも適用される。
  論文  参考訳（メタデータ） (2026-03-04T00:55:25Z)
• Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
  本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。 我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
  論文  参考訳（メタデータ） (2025-10-02T15:22:28Z)
• Closed-Form Beta Distribution Estimation from Sparse Statistics with Random Forest Implicit Regularization [0.0]
  この研究は3つの主要な貢献を通じてスパースデータとアンサンブル分類から分布回復を推し進める。 まず,限定統計量から大規模ベータ分布を再構成する閉形式推定器を提案する。 第2に,誤差境界の導出による分類精度と分布の近接性の関係を確立する。 第3に、ゼロ分散特徴が暗黙の正則化として作用し、中間ランク予測器の選択確率が増加することを示す。
  論文  参考訳（メタデータ） (2025-07-31T17:55:07Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)

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。