論文の概要: Separating Covariate Shift from Mechanism Change with Two Discriminators: CJSD, a Conditional Discrepancy with an Exact Covariate-Concept Decomposition

• arxiv url: http://arxiv.org/abs/2608.19885v2
• Date: Fri, 21 Aug 2026 05:32:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:31.952109
• Title: Separating Covariate Shift from Mechanism Change with Two Discriminators: CJSD, a Conditional Discrepancy with an Exact Covariate-Concept Decomposition
• Title（参考訳）: 2つの識別器によるメカニズム変化からの共変量シフトの分離:-共変量-概念分解による条件差CJSD-
• Abstract要約: Conditional Jensen-Shannon Discrepancy (CJSD) 202組のデータセットの10測定バッテリーでは、CJSDとkNNプラグインの2つの条件情報推定器だけがフェールする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: After the inputs X are known, how much additional information does the label Y carry about which dataset a sample came from? That single quantity -- estimable as the difference of two discriminators' held-out cross-entropies, D_CJS = CE(Z|X) - CE(Z|X,Y) -- is exactly the part of a dataset difference that covariate shift cannot explain. We propose the Conditional Jensen-Shannon Discrepancy (CJSD): with a task indicator Z, the chain rule I(Z;X,Y) = I(Z;X) + I(Z;Y|X) splits total task discrepancy exactly into a covariate axis and a functional axis, both estimable from two ordinary classifiers, with no task-specific predictors, generative models, or bootstrap surrogates. We prove a covariate-null property (the functional axis is exactly zero under pure covariate shift, however severe), a drift-mass law (D_CJS/ln2 equals the mass of the disagreement region for deterministic labels), a one-sided misspecification-control inequality (each direction of estimation error is bounded, unconditionally, by the excess risk of a single discriminator), and a fixed-measure metrization via an identifiability lemma. Empirically, on a ten-measure battery over 202 dataset pairs (synthetic, Electricity, Covertype), only the two conditional-information estimators -- CJSD and a kNN plug-in for the same estimand -- separate concept from covariate shift with AUC 1.0; the case for CJSD is the estimator: under controlled dimensionality scaling the kNN plug-in fails from d=64 while the discriminator route holds to d=256 with a swappable classifier, and it alone yields paired confidence intervals and sequential extensions from the same learned object. The same estimator audits the conditional fidelity of synthetic-data generators that marginal and joint QA metrics pass, detects annotation-guideline changes invisible to input-space monitors, and supports null-calibrated fairness audits.
• Abstract（参考訳）: 入力 X が分かった後、ラベル Y はサンプルがどのデータセットから来たのか、どれくらい追加情報を持っているか? この1つの量(D_CJS = CE(Z|X) - CE(Z|X,Y))は、共変量シフトが説明できないデータセット差の一部と推定できる。 本稿では,CJSD(Conditional Jensen-Shannon Discrepancy)を提案する。タスクインジケータZを用いて,チェーンルールI(Z;X,Y) = I(Z;X) + I(Z;Y|X)は,タスクの完全一致を,2つの通常の分類器から推定可能な共変軸と機能軸に正確に分割する。 我々は、共変量-ヌル性(関数軸は純粋共変量シフトの下では正確にゼロであるが、重大である)、ドリフト質量法(D_CJS/ln2)は、決定的ラベルに対する不一致領域の質量と等しい)、一方的な不特定性不等式(推定誤差のすべての方向は、単一判別器の過大なリスクにより、無条件で境界づけられている)、および識別可能性補間による固定測度化を証明した。 経験的に、202組のデータセット対(合成、電気、カバータイプ)上の10つの測定バッテリーでは、同じ推定値に対してCJSDとkNNプラグインの2つの条件情報のみを推定する - CJSDとAUC 1.0との共変量シフトとは別の概念である - CJSDの場合、kNNプラグインはd=64から失敗する。 同じ推定器は、差分QAメトリクスが通過する合成データジェネレータの条件的忠実さを監査し、入力空間モニターに見えないアノテーション・ガイドライン変化を検出し、ヌル校正された公正度監査をサポートする。

関連論文リスト

• What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation [6.078726431806193]
  生成モデルは通常、Fréchet Inception Distance(FID)とKernel Inception Distance(KID)によってランク付けされる。 ZIDは幅広い出発点を検出し、そのスコアは対応するスイープに沿って深刻度を増す。
  論文  参考訳（メタデータ） (2026-08-25T17:58:46Z)
• EDGE: a closed-form directed test for the calibration of probabilistic binary classifiers [0.0]
  本稿では,正規確率分類器の校正テストであるEDGEを提案し,ロジスティック回帰法を提案する。 EDGEは、同一のビン付き予測観測テーブルを信頼性図のプロットとして読み出し、その標準化されたビン残差をスムーズなキャリブレーション歪みの小さな前提に投影する。 リンクと特徴の相違により、既定のデフォルトが22のシナリオのうち、19のシナリオで全ての競合するビン付きテストに導かれるか、あるいは結び付けられ、再適合ベースのStukelスコアテストが20%から28%のサンプルで分離される場合、計算可能のままであった。
  論文  参考訳（メタデータ） (2026-08-20T19:06:05Z)
• Evidence Before Expansion: Reuse, Spawn, or Defer in Lifelong Expert Pools [0.0]
  再使用と産卵は条件付き(機械レベル)の相違に基づく一面的な仮説として表される。 我々は、予測可能な判別器シーケンスの観測可能なサロゲート差分に対する有限時間有効性を証明した。 合成マルチコンセプトストリーム、Electricity、Covertype、および繰り返し重大INSECTSベンチマークでは、再起動された銀行は偽の産出をゼロにする。
  論文  参考訳（メタデータ） (2026-08-20T10:54:17Z)
• Simplex Relaxation for Discrete Diffusion [58.33696160279345]
  Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。 Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
  論文  参考訳（メタデータ） (2026-08-11T07:58:17Z)
• Two-Step MV-DeepONet: Probabilistic Operator Learning for Uncertainty Propagation Driven by Random Input Fields [2.110303171517621]
  2段階平均分散DeepONet (2段階MV-DeepONet) を2つの主改良により開発する。 Prob-DeepONetと比較して、一般化、より構造化された不確実帯域、および対角線外相関パターンの正確な回復を示す。
  論文  参考訳（メタデータ） (2026-08-10T03:21:10Z)
• Dual-Branch Cross-Projection Debiasing through Diffusion-based Disentanglement [66.67463557274358]
  バイアス付きデータセットに基づいてトレーニングされた基礎モデルは、しばしばターゲットラベルと非因果属性の間の急激な相関に依存する。 信頼誘導概念マイニング(CBCM:Confidence-guided Concept Mining)を導入し,属性アノテーションを使わずに信頼性の高いスプリアス属性を同定する。 本稿では,目標と突発的な表現を2つのブランチに分離するプロンプトチューニングフレームワークであるDual-branch Cross-projection Debiasing (DCD)を提案する。
  論文  参考訳（メタデータ） (2026-06-23T05:28:47Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Measuring the Symmetry--Data Exchange Rate [0.2538209532048867]
  同一の軌道サイズと一致した計算値を持つ間違った群制御は制約を伴わないよりも悪いことを示す。 相対交換率beta_diff = 1.28は、理論ブートストラップ1.0と符号と桁違いに一致している。 手法的貢献 -- 共有拡散の欠点をキャンセルする相対レート推定器、間違ったグループ制御、および予め特定された失敗分類 - は、強度をパラメータ化できる帰納バイアスに転送される。
  論文  参考訳（メタデータ） (2026-05-31T08:17:40Z)
• The conditional-mean barrier: From deterministic regression to conditional distribution learning [6.160113667162026]
  このチュートリアルでは、条件-平均障壁を中心とした自己完結モジュールを開発する。 平方損失予測器に潜在ランダム性を加えると、条件平均に戻る。 我々は,否定的対数類似度,モーメントとオブザーバブルマッチング,変分目的,逆数分岐,スコアマッチングなどの共通分布目的を短時間に整理する。
  論文  参考訳（メタデータ） (2026-05-27T07:31:42Z)
• The Need for an External Observer Formalizing the Sufficiency Gap: A Mathematical Extension of Mixture Identifiability and Contextual Grounding in Sequence Models [0.0]
  我々は、決定論的テキスト構造と、保存されていない潜在状態によって支配される1つのランダム構造を持つ2元混合登録プロセスを構築した。 結果として生じるエントロピー差は通常の最適化誤差ではない。 補正信号は、その忠実度が誤解を招く状態に割り当てられたテキストのみの後方重みを超えると、テキスト履歴によって引き起こされる後続のオッズを正確に反転させる。
  論文  参考訳（メタデータ） (2026-05-26T08:53:11Z)
• Learning Context-conditioned Gaussian Overbounds for Convolution-Based Uncertainty Propagation [4.891998873486944]
  本稿では,ニューラルネットワークを用いて文脈認識型ガウスオーバーバウンドを生成する統合学習フレームワークを提案する。 本稿では、離散連続保守主義とコンパクト領域目的正規性のスコープ解析について述べる。 このフレームワークはモダリティに依存しず、保守的で特徴条件のある不確実性推定を必要とする学習システムに適用できる。
  論文  参考訳（メタデータ） (2026-05-15T09:47:05Z)
• Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions [0.0]
  ゲノミクスの実験では、交換可能性はしばしば、対象変数を「影響を受けない」ままにしておく介入のサブセットにのみ保持される。 i)「影響のない」キャリブレーション例の誤分類が、明示的な関数$g(,n)$の汚染分数とキャリブレーションセットサイズを介してどのようにカバレッジを劣化させるか、および (ii) 2つの後続指標$Z_a,i=mathbf1iinmathrmdesc(a)$のみを推定するタスク駆動部分因果学習の定式化。
  論文  参考訳（メタデータ） (2026-03-02T18:58:22Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
  深部異方性回帰における自己教師付き共分散推定について検討する。 正規分布の間の2-ワッサーシュタイン距離の上界を導出する。 幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
  論文  参考訳（メタデータ） (2025-02-14T22:37:11Z)
• 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)
• Sequential Predictive Two-Sample and Independence Testing [114.4130718687858]
  逐次的非パラメトリック2サンプルテストと独立テストの問題点について検討する。 私たちは賭けによる(非パラメトリックな)テストの原則に基づいています。
  論文  参考訳（メタデータ） (2023-04-29T01:30:33Z)
• How Does Pseudo-Labeling Affect the Generalization Error of the Semi-Supervised Gibbs Algorithm? [73.80001705134147]
  擬似ラベル付き半教師付き学習(SSL)におけるGibsアルゴリズムによる予測一般化誤差(ゲンエラー)を正確に評価する。 ゲンエラーは、出力仮説、擬ラベルデータセット、ラベル付きデータセットの間の対称性付きKL情報によって表現される。
  論文  参考訳（メタデータ） (2022-10-15T04:11:56Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)

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。