論文の概要: Partition Scores Are Not System Scores: Deployment-Fidelity Gaps in Decomposed Algorithm Selection
- arxiv url: http://arxiv.org/abs/2609.13785v1
- Date: Sat, 12 Sep 2026 07:55:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.550897
- Title: Partition Scores Are Not System Scores: Deployment-Fidelity Gaps in Decomposed Algorithm Selection
- Title（参考訳）: 分割スコアはシステムスコアではない:分解アルゴリズム選択における展開-忠実ギャップ
- Abstract要約: 分解アルゴリズム選択において、類似の分割レベルスコアは、選択されたファミリー内の最良のアルゴリズムのオラクル選択を与える。
分割レベルとデプロイ可能なエンドツーエンドユーティリティの相違点として,デプロイメント/忠実ギャップG(R)を定義した。
- 参考スコア（独自算出の注目度）: 7.302544154053966
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Oracle-style quantities, including virtual best solvers, selected-portfolio VBS, virtual-best encodings, and best-in-family summaries, are widely reported as upper bounds on what a deployable selector could achieve. In decomposed algorithm selection, an analogous partition-level score grants an oracle choice of the best algorithm within the selected family; once the family selector is fixed, the deployable system must replace that within-family oracle with a learned within-family selector. We define the deployment-fidelity gap G(R) as the difference between partition-level and deployable end-to-end utility and derive two accounting consequences: a per-instance margin-regret stability condition that tells us when a partition-time family choice is deployment-optimal, and a sharp partition-only identification interval that, when it strictly crosses zero, prevents the partition-level report from certifying the deployable winner. Across five public algorithm-selection benchmarks spanning tabular AutoML and combinatorial CSP/SAT, every decomposed pipeline has positive G(R), ranging from 0.012 on TabZilla to 0.13 on PROTEUS-2014. Four of ten decomposed-versus-flat decisions have sign-changing point estimates; on PROTEUS-2014, a 33-point partition advantage shrinks to a 20-point end-to-end advantage. A training-side validation gap-correction diagnostic recovers the point-estimate deployable sign on all four sign-changing cells; it is a reporting aid, not a substitute for direct end-to-end evaluation. Partition and end-to-end scores should be reported side by side.
- Abstract（参考訳）: 仮想ベストソルバ、選択されたポートフォリオVBS、仮想ベストエンコーディング、および最上位のサマリを含むOracleスタイルの量は、デプロイ可能なセレクタが達成できることの上限として広く報告されている。
分解されたアルゴリズム選択において、類似のパーティションレベルスコアは、選択された家族内で最高のアルゴリズムのオラクル選択を付与する。
分割レベルとデプロイ可能なエンド・ツー・エンドのユーティリティの違いとしてデプロイメント・フィデリティギャップG(R)を定義し、分割時の家族選択がデプロイ・最適であるかどうかを示すインスタンスごとのマージン・レグレットの安定性条件と、分割レベルのレポートがデプロイ可能な勝者を認定するのを防ぐシャープなパーティションのみの識別間隔の2つを導出する。
タブ状のAutoMLと組合せCSP/SATにまたがる5つの公開アルゴリズム選択ベンチマークのうち、すべての分解されたパイプラインは、TabZillaの0.012からProteUS-2014の0.13まで正のG(R)を持つ。
10の分解逆平坦な決定のうち4つは、符号変化点推定を持ち、Proteus-2014では、33ポイント分割の利点は20ポイントのエンドツーエンドの利点に縮まる。
トレーニング側バリデーション・ギャップ補正診断は、4つのサイン交換セルのポイント推定展開可能なサインを復元する。
分割とエンドツーエンドのスコアを並べて報告する必要がある。
関連論文リスト
- AlgoWorlds: Benchmarking Tool Use for Global Optimization in Algorithmic Worlds [58.529749203758634]
ツール使用ベンチマークは一般的に、適切なツールと有効な引数を使用して、エージェントがワークフローを完了するかどうかを評価する。
アルゴワールドス(AlgoWorlds)は、公式に指定された最適化問題を部分的に観察された決定環境に変換するベンチマークである。
AlgoWorldsには、10の最適化ファミリーと4つのワークロードレベルをカバーする240の環境が含まれている。
論文 参考訳（メタデータ） (2026-08-29T18:37:41Z) - Contrastive Branch Policy Optimization [16.16893757028268]
検証可能な報酬(RLVR)による強化学習は、言語モデルが外部ツールとのマルチターンインタラクションを学習することを可能にする。
既存の方法は、固定されたロールアウト予算を割り当て、分岐結果をトークンレベルのクレジットに変換する、という2つの異なる問題を分割する傾向があります。
本稿では,この2つの問題を解消し,それぞれに専用のメカニズムを割り当てる,コントラスト分岐政策最適化(CBPO)を紹介する。
論文 参考訳（メタデータ） (2026-08-25T09:25:55Z) - 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) - Minibatch Selection via Partition Matroid Constrained Gradient Matching [19.541112219411556]
ヘテロジニアスデータ上での大規模言語モデル(LLM)のトレーニングには、収束速度とドメイン間のカバレッジのバランスをとるミニバッチを選択する必要がある。
分割行列制約として符号化されたドメイン単位の予算の下で、検証誘導勾配マッチングユーティリティを最大化するクロスドメインミニバッチ選択手法であるPartitionSelを提案する。
論文 参考訳（メタデータ） (2026-06-06T03:16:19Z) - Ternary Decision Trees with Locally-Adaptive Uncertainty Zones [0.0]
3次決定木は、最適しきい値を中心とする半幅デルタの不確かさゾーンを持つ各分割ノードを増大させる。
デルタは、標準のCART分割探索時に既に利用可能な統計から各ノードでローカルに計算される。
デルタ推定手法として,品質プレート,クラスオーバーラップ,ゲイン比,ノードブートストラップ,マージンの5つを評価した。
論文 参考訳（メタデータ） (2026-05-21T17:11:19Z) - Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。
また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:30:01Z) - Optimal partition selection with Rényi differential privacy [24.85689199092059]
最適アルゴリズムの拡張を$L2$の有界分割選択のために提案する。
我々のプリミティブは、アートパーティション選択アルゴリズムの状態に簡単にプラグイン可能であることを示す。
論文 参考訳（メタデータ） (2026-03-10T04:13:38Z) - 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) - Ranking Free RAG: Replacing Re-ranking with Selection in RAG for Sensitive Domains [13.58151841630302]
本稿では,RAGにおける再ランク付けを合理的な選択手法で置き換える新しい方法であるMETEORAを提案する。
METEORAは、最先端の再評価手法よりも約50%少ないチャンクを使用しながら、生成精度を33.34%向上させる。
敵対的な設定では、METEORAはF1スコアを0.10から0.44に大幅に改善する。
論文 参考訳（メタデータ） (2025-05-21T20:57:16Z) - Fully Stochastic Trust-Region Sequential Quadratic Programming for
Equality-Constrained Optimization Problems [62.83783246648714]
目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。
アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
論文 参考訳（メタデータ） (2022-11-29T05:52:17Z) - Optimal Clustering with Bandit Feedback [57.672609011609886]
本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。
これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。
合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
論文 参考訳（メタデータ） (2022-02-09T06:05:05Z)
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。