論文の概要: Certify or Refuse: A Cross-Model Map for Selective Risk Control with Coverage Floors under Covariate Shift

• arxiv url: http://arxiv.org/abs/2608.10893v1
• Date: Tue, 11 Aug 2026 13:10:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:46.047863
• Title: Certify or Refuse: A Cross-Model Map for Selective Risk Control with Coverage Floors under Covariate Shift
• Title（参考訳）: Certify or Refuse:共変量シフト下での被覆床による選択的リスク制御のためのクロスモデルマップ
• Authors: Jiamiao Liu, Dewen Qiao, Yu Zhang, Xuetao Chen,
• Abstract要約: 自動化フロアを導入することで、選択的な予測者が達成したカバレッジを達成できることを示します。 認証は実行可能性フロンティアと2リソースの複雑性マップを取得し、定数まで加算する。 レートは局所的であり、レギュラーフロンティアマージン、局所登録閾値以下、格子条件を必要とする。
• 参考スコア（独自算出の注目度）: 4.621071191322703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Certified selective predictors attain whatever coverage they attain; operators impose an automation floor: answer at least a $β$-fraction of shifted target traffic with at most an $α$-fraction of answers wrong. Under bounded-ratio covariate shift we prove the Floor Certification Map: once that floor must be certified alongside the selection-conditioned risk $α$, certification acquires a feasibility frontier and a two-resource complexity map, additive up to constants: risk in labeled source, the floor in unlabeled target samples. The rates are local, needing a regular frontier margin, slack below the local-regime threshold, and lattice conditions: pre-registered with a lattice margin for the upper bounds, compatible per-slack for the lower. The displayed split is the operational route; oracle weights also allow a labeled-source floor estimate. Three model-tagged results: a lower bound (Model-B), a matching oracle-weight upper bound (Model-A), and an implementable upper bound (Model-B') valid under a pre-registered exact stratified-shift model with nuisance cost priced explicitly. The match is across these models rather than a single-model minimax theorem, and necessarily so: over the full bounded-ratio class no unknown-weight procedure matches at any sample size (Model-B is inconsistent, witnessed at $α=β=1/2$). The nuisance's necessity is only partially settled. Complexity tracks a localized accepted-region functional, not global effective sample size (ESS), on both sides, though a fixed-ESS separation theorem is left open; both lower-bound axes vanish as $β\to0$, so the floor creates the map. Empirically, the registered bite family diverges with log-log slope $-2.002$ within its pre-registered band; a 1,024-cell audit records 0 violations where the formal certificates fire; and a single-corpus SQuAD-to-NewsQA feasibility audit returns honest refusal.
• Abstract（参考訳）: オペレーターは自動化フロアを強制する: シフトしたターゲットトラフィックの少なくとも$β$-fractionに、少なくとも$α$-fraction of answerを間違って答える。 有界比の共変量シフトの下で、フロア認証マップ(Floor Certification Map)を証明します: フロアが選択条件付きリスクと一緒に認定されなければならなくなったら、認定は実現可能性フロンティアと2リソースの複雑性マップを取得し、定数まで加算します:ラベル付きソースのリスク、ラベルなしターゲットサンプルのフロア。 レートは局所的であり、通常のフロンティアマージンを必要とし、局所登録閾値より下方にあり、格子条件:上界の格子マージンで事前登録され、下界のスラックごとに互換性がある。 表示された分割は運用ルートであり、オラクルウェイトはラベル付きソースフロア推定も可能にする。 3つのモデルタグ付き結果:下限(Model-B)、一致するオラクル重み付き上限(Model-A)、実装可能な上限(Model-B')。 完全有界比のクラスでは、任意のサンプルサイズで未知の重み付きプロシージャが一致しない(Model-Bは矛盾せず、$α=β=1/2$で目撃される)。 ニュアンスの必要性は部分的には解決されていない。 複素度は、大域的有効サンプルサイズ(ESS)ではなく、局所化された受容領域関数を両辺で追跡するが、固定式分離定理は未開であり、両方の下界軸は$β\to0$として消滅するので、フロアは写像を生成する。 経験的に、登録された噛み付き家族は、登録済みバンド内でログスロープ$-2.002$で分岐し、1,024セルの監査記録0は、正式な証明書が発火した場所を侵害し、シングルコーパスのSQuAD-to-NewsQAファシビリティ監査は、正直に拒否する。

関連論文リスト

• Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
  ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。 粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。 ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
  論文  参考訳（メタデータ） (2026-08-04T23:48:36Z)
• Certified Finite-Shot Operating Windows for Virtual Distillation and Symmetry Verification [0.0]
  仮想蒸留 (VD) と対称性検証 (SV) で比較可能な有限ショット動窓理論を開発した。 VD の場合、この法則は商推定器の統計バイアスと分母不安定性を捉え、商が信頼できる範囲を超えてサンプルサイズを特定する濃度証明書を定めている。 SVでは、検出不能なエラーによって残されたバイアスフロアと、受信確率によって設定されたサンプリングペナルティを分離する。
  論文  参考訳（メタデータ） (2026-06-13T20:42:40Z)
• 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)
• A Joint Finite-Sample Certificate for Adaptive Selective Conformal Risk Control [0.9668407688201359]
  選択したリスクを直接比率として扱うことにより、有界、おそらくは非単調な損失の証明を与える。 1/pmin$から1/sqrtpmin$への受け入れフロア依存を鋭くする。 この証明書は、Hoeffding--CRCに対する認証受け入れフロンティアを$+22$ ppで開く。
  論文  参考訳（メタデータ） (2026-06-07T08:55:44Z)
• Disagreement-Regularized Importance Sampling for Adversarial Label Corruption [3.0416928830191066]
  Disagreement-Regularized Importance Smpling (DR-IS)は、独立したプロキシアンサンブル間での損失ランクの分類に基づくサブサンプリング手法である。 DR-ISは、ベンチマークデータセット上のError $L$-norm (EL2N)のようなマグニチュードベースのメソッドを壊すターゲットの高いノーム攻撃の下で堅牢である。
  論文  参考訳（メタデータ） (2026-05-08T10:27:51Z)
• A Closed-Form Persistence-Landmark Pipeline for Certified Point-Cloud and Graph Classification [0.0]
  PLACE(Persistence-Landmark Analytic Classification Engine)は、点雲とグラフを分類するためのクローズドフォームパイプラインである。 3つの量的保証 -- マージンベースの過剰リスク率、クローズドフォーム記述子選択ルール、プレディションごとの証明書 -- は、トレーニングラベルのみから導かれる。
  論文  参考訳（メタデータ） (2026-05-04T17:15:01Z)
• Reinforcement Learning with Verifiable yet Noisy Rewards under Imperfect Verifiers [90.50039419576807]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、人為的なラベル付けを避けるために、自動検証に対するポリシーを訓練する。 認証ハッキングの脆弱性を軽減するため、多くのRLVRシステムはトレーニング中にバイナリ$0,1$の報酬を破棄する。 この選択にはコストがかかる:textitfalse negatives(正しい回答、FNを拒絶)とtextitfalse positives(間違った回答、FPを受け入れる)を導入する。
  論文  参考訳（メタデータ） (2025-10-01T13:56:44Z)
• Adapt in the Wild: Test-Time Entropy Minimization with Sharpness and Feature Regularization [85.50560211492898]
  テスト時適応(TTA)は、テストデータが分散シフトが混在している場合、モデルの性能を改善または損なう可能性がある。 これはしばしば、既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。 両面からTTAを安定化させるため,SARと呼ばれる鋭く信頼性の高いエントロピー最小化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:03:00Z)
• Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal Sample Complexity [67.02490430380415]
  モデルに基づくMARLは、Nash平衡値(NE)を求めるために$tilde O(|S||B|(gamma)-3epsilon-2)$のサンプル複雑性を実現する。 また、アルゴリズムが報酬に依存しない場合、そのようなサンプル境界は最小値(対数因子まで)であり、アルゴリズムは報酬知識のない遷移サンプルを問合せする。
  論文  参考訳（メタデータ） (2020-07-15T03:25:24Z)

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。