論文の概要: Learning a Size-Weight Frontier for Synthetic-Augmented Inference

• arxiv url: http://arxiv.org/abs/2608.28576v1
• Date: Fri, 28 Aug 2026 17:52:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.428113
• Title: Learning a Size-Weight Frontier for Synthetic-Augmented Inference
• Title（参考訳）: 合成拡張推論のためのサイズウェイトフロンティアの学習
• Abstract要約: 合成データは、実際のデータが不足している場合の統計的推測を改善することができる。 関連タスクの個体群にまたがる合成推論のための一般的なフレームワークを開発する。
• 参考スコア（独自算出の注目度）: 5.586191108738564
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic data can improve statistical inference when real data are scarce, but naively treating synthetic samples as real data can introduce bias and lead to unreliable inference. We develop a general framework for synthetic-augmented inference across a population of related tasks. It characterizes synthetic augmentation by the number of synthetic observations and their weight. Central to our framework is a size-weight frontier that specifies, for each weight, the largest synthetic sample size for which all smaller sizes attain the target task-marginal coverage. We estimate this frontier from historical tasks, and establish a finite-sample coverage guarantee simultaneously for all size-weight configurations on or below the estimated frontier. In experiments using large language model responses to augment opinion survey data, our procedure achieves target coverage and substantially narrows confidence intervals.
• Abstract（参考訳）: 合成データは、実際のデータが不足している場合の統計的推測を改善することができるが、合成サンプルを実データとして生意的に扱うと、バイアスが発生し、信頼できない推測につながる可能性がある。 関連タスクの個体群にまたがる合成推論のための一般的なフレームワークを開発する。 合成観測数とその重量による合成増強を特徴付ける。 当社のフレームワークの中心となるのは,各重量に対して,目標のタスク・マージナルカバレッジを達成できる最小の合成サンプルサイズを指定する,サイズの重み付きフロンティアである。 歴史的課題からこのフロンティアを推定し、推定フロンティア内及びそれ以下の大きさの全ての構成に対して、有限サンプルカバレッジ保証を同時に確立する。 意見調査データの拡張に対する大規模言語モデル応答を用いた実験では,対象範囲を達成し,信頼区間を大幅に制限する。

関連論文リスト

• Predictive Inorganic Synthesis based on Machine Learning using Small Data sets: a case study of size-controlled Cu Nanoparticles [0.0]
  銅ナノ粒子(Cu NPs)は広い適用性を持つが、その合成は反応パラメータの微妙な変化に敏感である。 本研究は, マイクロ波支援ポリオール合成によるCu NPのサイズを予測するための機械学習について, 室内で行った25種類の小さなデータ集合を用いて検討した。
  論文  参考訳（メタデータ） (2025-12-18T13:53:08Z)
• A Comprehensive Evaluation Framework for Synthetic Trip Data Generation in Public Transport [7.409483754602669]
  合成データは、公共交通機関の研究でスマートカードデータを使用する際のプライバシーとアクセシビリティの課題に対して、有望な解決策を提供する。 本稿では,3つの相補的次元と3つの階層的レベルにまたがる合成旅行データを体系的に評価する枠組みを提案する。 結果として、合成データは本質的にプライバシを保証せず、"ワンサイズフィットオール"モデルは存在しないことが示される。
  論文  参考訳（メタデータ） (2025-10-28T12:52:47Z)
• Beyond Real Data: Synthetic Data through the Lens of Regularization [9.459299281438074]
  合成データは、実際のデータが不足しているときに一般化を改善することができるが、過度な依存は、性能を低下させる分布ミスマッチをもたらす可能性がある。 本稿では,合成データと実データとのトレードオフを定量化する学習理論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-09T11:33:09Z)
• Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
  まず,Wangらによって提案された合成データの再生と公開を行った。 合成データがモデル一般化をどのように改善するかを批判的に検討する。 本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
  論文  参考訳（メタデータ） (2025-09-07T19:28:52Z)
• Valid Inference with Imperfect Synthetic Data [39.10587411316875]
  モーメントの一般化法に基づく新しい推定器を提案する。 合成データのモーメント残差と実データのモーメント間の相互作用は、対象パラメータの推定を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2025-08-08T18:32:52Z)
• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
  ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。 合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。 その結果, 提案手法の有効性と合成データの有効性が検証された。
  論文  参考訳（メタデータ） (2024-10-13T14:58:21Z)
• The Real Deal Behind the Artificial Appeal: Inferential Utility of Tabular Synthetic Data [40.165159490379146]
  評価値が不偏であっても, 偽陽性の発見率(タイプ1の誤り)は不可避的に高いことが示唆された。 以前提案された補正係数が使用されているにもかかわらず、この問題は深層生成モデルに対して持続する。
  論文  参考訳（メタデータ） (2023-12-13T02:04:41Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• A Scaling Law for Synthetic-to-Real Transfer: A Measure of Pre-Training [52.93808218720784]
  合成から現実への変換学習は,実タスクのための合成画像と接地真実アノテーションを用いた事前学習を行うフレームワークである。 合成画像はデータの不足を克服するが、事前訓練されたモデルで微調整性能がどのようにスケールするかは定かではない。 我々は、合成事前学習データの様々なタスク、モデル、複雑さにおける学習曲線を一貫して記述する、単純で一般的なスケーリング法則を観察する。
  論文  参考訳（メタデータ） (2021-08-25T02:29:28Z)

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。