論文の概要: Closing the loop in learning with missing data

• arxiv url: http://arxiv.org/abs/2608.09030v1
• Date: Mon, 10 Aug 2026 02:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.041752
• Title: Closing the loop in learning with missing data
• Title（参考訳）: 欠落したデータで学習のループを閉じる
• Abstract要約: トレーニング中にデータが欠落したとき、機械学習モデルは何を学べばよいのか? 我々は,部分的断続的観測可能性の下での学習コヒーレンスを維持する方法において,スロットルモデルが更新するリアプノフ安定性特性を用いた適応機構を導出する。 病的領域や問題においても,学習の一貫性と安定性の促進を前提として,多モード文脈における方向性可観測性を考慮した適応型学習手法の有効性を評価した。
• 参考スコア（独自算出の注目度）: 1.0312968200748116
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: What should a machine learning model learn when data is missing during training? We look at the learning process from a dynamical systems perspective, cast data missingness as a structured loss of actuation that limits controllability of the parameter error dynamics, and ultimately derive adaptation mechanisms with Lyapunov stability characteristics that throttle model updates in ways that preserve learning coherence under partial, intermittent observability. Under recurrent excitation, our analysis provides ISS-type residual-to-state bounds with respect to a bounded closed-loop mismatch between the loss residual and the preconditioned update geometry. We evaluate the efficacy of our directional observability-aware adaptive learning approach on multimodal contexts, reinforcing its premise in promoting learning coherence and stability even in pathologically sparse domains and problems.
• Abstract（参考訳）: トレーニング中にデータが欠落したとき、機械学習モデルは何を学ぶべきか? 本稿では、動的システムの観点から学習過程を考察し、パラメータエラーダイナミクスの制御性を制限するアクティベーションの構造的損失としてデータ不足をキャストし、最終的には、部分的断続的観測可能性の下で学習コヒーレンスを保ちながらモデルを更新するリアプノフ安定性特性による適応機構を導出する。 再帰的な励起の下では、この分析は、損失残差と事前条件付き更新幾何との間の有界閉ループミスマッチに関して、ISS型残差-状態境界を提供する。 病的領域や問題においても,学習の一貫性と安定性の促進を前提として,多モード文脈における方向性可観測性を考慮した適応型学習手法の有効性を評価した。

関連論文リスト

• Continual Segmentation under Joint Nonstationarity [8.522964568257455]
  進化するデータストリームは連続的なセマンティックセグメンテーションにおいて関節の非定常性を誘導する。 この設定は、実際に構築された予測システムを反映しているが、従来の連続的な学習作業では、ほとんど探索されていない。 連成クラス,ドメイン,ラベルのシフトの下で連続的なセグメンテーションを定式化し,異種密接な予測環境における学習について検討する。
  論文  参考訳（メタデータ） (2026-05-19T22:20:00Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Degradation of Feature Space in Continual Learning [2.322400467239964]
  本研究では,特徴空間の等方性向上が連続学習における表現品質の向上に寄与するかどうかを考察する。 等方正則化は改善せず、実際には劣化し、連続的な設定で精度をモデル化できる。
  論文  参考訳（メタデータ） (2026-02-06T10:26:34Z)
• Training instability in deep learning follows low-dimensional dynamical principles [24.97566911521709]
  トレーニングは、最適化、データ、パラメータ、学習信号に対する小さな摂動が突然で不可逆的な崩壊を引き起こす、高次元力学系として展開される。 本稿では,学習システムの本質的な特性としてトレーニング安定性を特徴付ける統一力学的視点を提案する。
  論文  参考訳（メタデータ） (2026-01-19T15:37:45Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Rotation Control Unlearning: Quantifying and Controlling Continuous Unlearning for LLM with The Cognitive Rotation Space [66.51378598755933]
  本研究では,学習継続過程における学習度を定量化し,制御する,回転制御アンラーニング(RCU)と呼ばれる新しい手法を提案する。 歪対称損失は、回転角の変化が連続的未学習過程をシミュレートできる認知回転空間の存在を構築するように設計されている。 複数のデータセットに対する実験により、保持されたデータセットを持たないメソッドがSOTA性能を達成することを確認した。
  論文  参考訳（メタデータ） (2025-09-30T03:59:29Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• The Importance of Being Lazy: Scaling Limits of Continual Learning [60.97756735877614]
  モデル幅の増大は,特徴学習の量を減らし,遅延度を高めた場合にのみ有益であることを示す。 特徴学習,タスク非定常性,および忘れることの複雑な関係について検討し,高い特徴学習が極めて類似したタスクにのみ有用であることを示す。
  論文  参考訳（メタデータ） (2025-06-20T10:12:38Z)
• Temporal-Difference Variational Continual Learning [77.92320830700797]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• Investigating the Edge of Stability Phenomenon in Reinforcement Learning [20.631461205889487]
  強化学習(RL)における安定性現象の端点を探る 教師付き学習との大きな違いにもかかわらず、安定性現象の端は、非政治的な深いRLに存在している。 この結果から,ニューラルネットワーク構造は問題領域間の移動を最適化するダイナミクスをもたらす可能性があるが,深いRL最適化の特定の側面は,教師付き学習のような領域と区別できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-07-09T15:46:27Z)
• Guaranteed Trajectory Tracking under Learned Dynamics with Contraction Metrics and Disturbance Estimation [5.147919654191323]
  本稿では,制約指標と外乱推定に基づく軌道中心学習制御へのアプローチを提案する。 提案するフレームワークは、平面四重項の例で検証される。
  論文  参考訳（メタデータ） (2021-12-15T15:57:33Z)

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。