論文の概要: When Edit Localization Amplifies Relative Selection Bias: Gradient Geometry, Target Mismatch, and Importance Weighting

• arxiv url: http://arxiv.org/abs/2609.13709v1
• Date: Sat, 12 Sep 2026 04:38:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.481051
• Title: When Edit Localization Amplifies Relative Selection Bias: Gradient Geometry, Target Mismatch, and Importance Weighting
• Title（参考訳）: 編集局所化による相対的選択バイアスの増幅:グラディエント幾何、ターゲットミスマッチ、重要度
• Abstract要約: 人間の修正は編集可能なスパンを識別するが、修正を受ける例は選択的なフィードバックチャネルから来る可能性がある。 固定モデルチェックポイントにおけるこの相互作用を、局所化勾配により、編集および保持されたパラメータに解析する。
• 参考スコア（独自算出の注目度）: 3.3064716080580716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human corrections identify editable spans, but the examples receiving corrections may come from a selective feedback channel. We analyze this interaction at a fixed model checkpoint by decomposing a localized gradient into edited and retained untouched components. Squared relative selection bias is a ratio of quadratics whose derivative has the sign of an explicit quadratic polynomial. Localization can increase, decrease, or nonmonotonically change this diagnostic; its direction depends on component biases and geometry. Oracle importance weighting recovers the population mean for each fixed localization objective, but these objectives have different targets. Against one common full-gradient target, we derive the finite-sample mean-squared error, an analytic optimal retention coefficient, and a fixed-clipping extension. Exact finite-population calculations and 10,000 Monte Carlo repetitions per sample size verify the identities and counterexamples. Public human-post-edit experiments use two translation directions and pretrained models, with declared synthetic selection. An English-German extension differentiates 73.89 million native parameters. In all three declared settings, hard localization has higher relative bias but lower absolute bias than full retention. Untouched-component biases are nonzero and selected component means have negative inner products, so the general criterion applies where the simple unbiased/aligned explanation fails. Output-bias diagnostics show the same endpoint ordering of relative bias across both directions, with one interior maximum. Mechanisms reuse each language's records and include a mixture; they are not independent replications. The evidence separates relative amplification from absolute gradient error and establishes estimation properties, without inferring translation-quality gains or identifying actual complaint propensities.
• Abstract（参考訳）: 人間の修正は編集可能なスパンを識別するが、修正を受ける例は選択的なフィードバックチャネルから来る可能性がある。 我々は、この相互作用を、局所的な勾配を編集および保持されていないコンポーネントに分解することで、固定されたモデルチェックポイントで解析する。 正方形相対選択バイアス(英: squared relative selection bias)は、偏微分が明示的な二次多項式の符号を持つ二次多項式の比である。 局所化は、この診断を増加、減少、あるいは単調に変化させる可能性がある。 Oracleの重み付けは、固定されたローカライゼーションの目的ごとに平均的な人口を回復させるが、これらの目標には異なる目標がある。 1つの一般的な全次目標に対して、有限サンプル平均二乗誤差、分析最適保持係数、固定クリッピング拡張を導出する。 厳密な有限人口計算と1サンプルあたり1万のモンテカルロ繰り返しは、アイデンティティと反例を検証する。 公開人-編集実験では、2つの翻訳方向と事前訓練されたモデルを使用し、合成選択が宣言される。 英語とドイツ語の拡張は73.89万のネイティブパラメータを区別する。 宣言された3つの設定において、ハードローカライゼーションは相対バイアスが高いが、完全な保持よりも絶対バイアスが低い。 非接触成分バイアスはゼロではなく、選択された成分手段は負の内積を持つので、一般的な基準は、単純な非バイアス/アラインな説明が失敗する場合に適用される。 出力バイアス診断では、両方の方向の相対バイアスの終端順序が同じで、内部の最大値が1である。 メカニズムは各言語のレコードを再利用し、ミックスを含む。 この証拠は、相対増幅を絶対勾配誤差から分離し、翻訳品質の利得を推測したり、実際の苦情の正当性を特定することなく、推定特性を確立する。

関連論文リスト

• Interpretable AI with Local Distillation [4.2444498670665665]
  高い意思決定は、正確かつ解釈可能なモデルを構築することを要求する。 そこで我々は,ブラックボックスの「教師」が各問合せ点における正規化線形「学生」モデルを案内する局所蒸留を提案する。 17のベンチマークデータセットで、局所蒸留はAI教師の精度とほぼ一致し、各テストポイントで疎線形モデルを生成する。
  論文  参考訳（メタデータ） (2026-08-24T17:43:07Z)
• Feature Priming in Online Linear Regression: Sparse-Regret Lower Bounds and a Tight Univariate Rate [47.36630149538994]
  高次元のオンライン予測では、最良の予測子はいくつかの機能にのみ依存する可能性があるため、後悔は周囲の次元ではなく、疎らさでスケールすべきである。 WarmuthとAmidはCOLT 2023で、これらの3つのルールのいずれかが競合するオンライン後悔の保証を認めているかどうかを尋ねた。 安価なニュアンスは、リフィットが真の予測座標を過度に重くする原因となる。
  論文  参考訳（メタデータ） (2026-08-18T09:32:03Z)
• Causal inference for group-contaminated structured outcomes: observable quotients, lossless reduction and exact randomization inference [0.0]
  制限のない観測モデル X = について検討する。 Y(A)はその観測可能な情報を特徴付ける。 商-忠実復元定理は、完全変換実験には商還元が十分であることを示す。
  論文  参考訳（メタデータ） (2026-08-12T11:39:50Z)
• Global Convergence of Gradient Descent for Score Matching in Gaussian Mixtures via Reverse Fisher Divergence [67.12978375116599]
  そこで本研究では,学生分布に対する期待値の逆のフィッシャー発散(Fisher divergence)について検討する。 我々は、目標平均に対して$widetilde(1)$-separationの仮定の下で、大域収束保証を証明した。 我々はリアプノフに基づく勾配勾配勾配の動的解析を頼りにしており、逆のフィッシャー発散は前方のフィッシャー発散よりもはるかに良い最適化環境を持つことが示されている。
  論文  参考訳（メタデータ） (2026-06-18T07:34:33Z)
• Maximum Matching Accuracy: An Instance Segmentation Evaluation Metric Utilizing Globally Optimal Matching [39.3098730337656]
  本研究では,予測された真理オブジェクトと地上の真理オブジェクトの1対1の大域的最適マッチングを求める閾値フリー連続計量を提案する。 MMAは既存の代替品よりも安定で、感度が高く、解釈しやすいスコアを生成する。
  論文  参考訳（メタデータ） (2026-06-08T19:36:28Z)
• Finite-Sample Selected Covariance Spectra in Classical Shadows [45.85698554568285]
  主定理は任意のシャドウプロトコルに適用される。 固定された局所的次元を持つ一般の局所積影プロトコルでは、有限重積オブザーバブルは、サポートサイズと局所再構成係数によって制御される境界に導かれる。 偏りのある局所パウリ影に対しては、選択されたパウリ支援と局所基底選択確率から閉形式の有界性を評価する。
  論文  参考訳（メタデータ） (2026-05-30T04:46:49Z)
• Conditional Diffusion Under Linear Constraints: Langevin Mixing and Information-Theoretic Guarantees [10.73598638822051]
  線形逆問題に対する事前学習拡散モデルを用いたゼロショット条件付きサンプリングについて検討する。 このスコアを無条件の接点スコアで置き換える誤差は、観測されたコンポーネントと観測されていないコンポーネントの間の次元自由条件の相互情報によって上限づけられていることを証明する。
  論文  参考訳（メタデータ） (2026-05-06T19:19:54Z)
• Coarsening Bias from Variable Discretization in Causal Functionals [0.8880611506199766]
  因果効果関数のクラスは連続変数の条件付き密度に対する積分を必要とする。 離散化は人口レベルの機能を変化させ、無視できない近似バイアスを引き起こす。 そこで本研究では,インバービン条件付き手法で結果の回帰を評価する簡易なバイアス低減関数を提案する。
  論文  参考訳（メタデータ） (2026-02-25T16:32:04Z)
• 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)
• On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
  一般化は、見えないデータを分類するモデルの能力をキャプチャする。 不変性はデータの変換におけるモデル予測の一貫性を測定する。 データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
  論文  参考訳（メタデータ） (2022-07-14T17:08:25Z)
• Predicting Out-of-Domain Generalization with Neighborhood Invariance [59.05399533508682]
  局所変換近傍における分類器の出力不変性の尺度を提案する。 私たちの測度は計算が簡単で、テストポイントの真のラベルに依存しません。 画像分類,感情分析,自然言語推論のベンチマーク実験において,我々の測定値と実際のOOD一般化との間に強い相関関係を示す。
  論文  参考訳（メタデータ） (2022-07-05T14:55:16Z)
• Fair Regression under Sample Selection Bias [45.41696144835412]
  サンプル選択バイアス下での公正回帰のためのフレームワークを開発する。 我々のフレームワークは、バイアス補正とラグランジュ双対性のために古典的なヘックマンモデルを採用している。 実世界の3つのデータセットで実験を行い、実験結果からアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2021-10-08T20:35:12Z)
• Unbiased Estimation Equation under $f$-Separable Bregman Distortion Measures [0.3553493344868413]
  単調に増大する関数$f$とブレグマン発散を用いた対象関数のクラスにおける非バイアス推定方程式について議論する。 関数 $f$ の選択は、外れ値に対するロバスト性のような望ましい性質を与える。 本研究では, バイアス補正項が消滅したブレグマン発散, 統計モデル, 関数$f$の組み合わせを明らかにする。
  論文  参考訳（メタデータ） (2020-10-23T10:33:55Z)

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。