論文の概要: Cross-Block Conditioning in Deep Boltzmann Machines for Statistical Data Fusion
- arxiv url: http://arxiv.org/abs/2609.14934v1
- Date: Mon, 14 Sep 2026 02:26:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.033952
- Title: Cross-Block Conditioning in Deep Boltzmann Machines for Statistical Data Fusion
- Title（参考訳）: 統計データ融合のための深部ボルツマンマシンのクロスブロック条件付け
- Abstract要約: 本稿では,各行が実際に観測するものから抽出したターゲットに対して,マルチ予測対象を限定する,観測ブロック型マルチプレディションを提案する。
設定を生き残る差別的基準を持つことで、ジョイントモデルがまったく必要かどうかを問うことができます。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Statistical data fusion combines two panels that share a block of covariates but observe disjoint outcome blocks, and in its traditional form no row observes both outcomes at once. That rules out the discriminative criterion one would rather train a Deep Boltzmann Machine with, since multi-prediction training needs ground truth for whatever it holds out. We propose observed-block multi-prediction, which restricts the multi-prediction objective to targets drawn from what each row actually observes. It is well defined for any missingness pattern and reduces to the original criterion when rows are complete. Having a discriminative criterion that survives the setting lets us ask whether the joint model is needed at all, by separating what it contributes into a representation part and an inference part. On two consumer panels, on grids over sample size and covariate width spanning 35 cells and 875 runs, the fine-tuned DBM is the best of fifteen methods in every cell; but almost none of that advantage comes from generative pre-training, which is confined to the smallest sample size on one dataset and absent on the other. It comes from conditioning on one outcome block when predicting the other. This term amounts to +0.19 and +0.07 percentage points, is positive in all 35 cells, and, unlike every other contribution we measure, neither decays as the panels grow, nor requires a second hidden layer, nor requires more inference. Permuting one outcome block to destroy its association with the other removes the gain entirely, which is what the account predicts. The margins are small. But a small effect that does not decay is a different object from one that does, because it rests on evidence that no model mapping covariates to outcomes can accept.
- Abstract（参考訳）: 統計データ融合は、共変量のブロックを共有するが、相反する結果ブロックを観測する2つのパネルを組み合わせる。
これは、Deep Boltzmann Machine(ディープ・ボルツマン・マシン)を訓練するよりも差別的な基準を除外するものだ。
本稿では,各行が実際に観測するものから抽出したターゲットに対して,マルチ予測対象を限定する,観測ブロック型マルチプレディションを提案する。
欠落パターンに対してよく定義されており、行が完了すると元の基準に還元される。
設定を生き残る差別的基準を持つことで、表現部と推論部に寄与するものを分離することで、ジョイントモデルが全く必要かどうかを問うことができます。
2つのコンシューマーパネルでは、サンプルサイズと、35セルと855ランにまたがる共変量幅のグリッド上で、微調整されたDBMは、すべてのセルでベスト15のメソッドである。
1つの結果ブロックの条件付けによって、もう1つの結果が予測される。
この用語は、全ての35の細胞において+0.19と+0.07のパーセンテージで陽性であり、私たちが測定する他のすべての貢献とは異なり、パネルが成長するにつれて崩壊も2番目の隠蔽層も必要とせず、推論も不要である。
1つの結果ブロックを変更して、他のものとの関連性を破壊すると、利益は完全に取り除かれます。
マージンは小さい。
しかし、崩壊しない小さな効果は、それとは異なる対象である。なぜならそれは、モデルマッピングが結果に共変することはないという証拠にかかっているからである。
関連論文リスト
- Shortcut Before Circuit: Document Statistics Time In-Context Conflict Resolution [0.0]
我々は、電流と希薄度が正確に一致した合成言語でトランスフォーマーを訓練する。
私たちはこれらを最小限の因果編集で分離し、真実、トークン数、答え位置を固定しながら1つのキューを反転させます。
論文 参考訳（メタデータ） (2026-08-25T12:09:19Z) - 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) - CaliBench: Are the Stochastic Dynamics of Video World Models Physically Calibrated? [6.39120343569684]
CaliBench は FID のような学習された特徴空間ではなく、離散空間で結果をスコアする。
我々は,1つの精度のメートル法が混在する2つの軸に性能を分解する: スコラビリティ, スコア可能な結果をもたらす世代数, その試料の基準からの全変動距離のキャリブレーション。
9つのシーンと6つのイメージ・ツー・ビデオモデル(WAN-2.7, SeeDance-2.0, HappyHorse-1.0, Veo 3.1, Runway Gen-4.5, Cosmos3-Super)に適用する。
論文 参考訳（メタデータ） (2026-08-17T17:14:50Z) - The Calibration Floor: Format Repair Can Masquerade as Self-Correction at Small-to-Mid Scale [7.159691098846351]
言語モデルによる自己修正後の精度の変化は通常、推論の変化として解釈される。
回答抽出境界で失敗する可能性を示し、観察のみでなく因果的に失敗をテストする。
論文 参考訳（メタデータ） (2026-08-05T01:55:33Z) - Scaling Laws for Classical Machine Learning on Tabular Data: A Benchmark Study [0.0]
127人の大学院生が、それぞれ3つの割り当てられたデータセットに固定されたプロトコルを実行した。
6つのファミリーのうち5つのファミリーレベルの指数は、各ファミリーのクロスデータセット曲線とデータセットごとの指数とをほぼ同等に予測する。
また,N* がターゲット誤差 0.15 に達するための実用的なデータ要求表を作成した。
論文 参考訳（メタデータ） (2026-07-23T23:45:09Z) - The FID Lottery: Quantifying Hidden Randomness in Generative-Model Evaluation [55.62875959637507]
本研究では,FIDを2軸パネル上のランダムな変数として扱う。
クラス条件の ImageNet 256x256 でトレーニングした数百の SiT ネットワーク上で,その分散を直接測定する。
論文 参考訳（メタデータ） (2026-06-18T17:49:32Z) - DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。
モデル応答の多様性を最大化するサンプルを選択することが重要となる。
我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
論文 参考訳（メタデータ） (2025-10-09T08:53:59Z) - Ensemble Threshold Calibration for Stable Sensitivity Control [0.0]
本稿では,数千万組の幾何対もの幾何に対して,過度に分散した正確なリコールを実現するエンド・ツー・エンドのフレームワークを提案する。
我々のアプローチは、小さなエラーで常にリコールターゲットにヒットし、他のキャリブレーションと比較して冗長な検証を減らし、単一のTPU v3コア上でエンドツーエンドで実行します。
論文 参考訳（メタデータ） (2025-10-02T15:22:28Z) - Test Set Sizing for the Ridge Regression [51.56484100374058]
訓練行数mが大きくなる限界において、リッジ回帰のための理想的な列車/試験分割を高精度に導出する。
このような分割が、大規模なデータ制限下で機械学習モデルに対して数学的に計算されるのは、これが初めてである。
論文 参考訳（メタデータ） (2025-04-27T13:17:18Z) - Confidence-Based Model Selection: When to Take Shortcuts for
Subpopulation Shifts [119.22672589020394]
モデル信頼度がモデル選択を効果的に導くことができるConfidence-based Model Selection (CosMoS)を提案する。
我々はCosMoSを,データ分散シフトのレベルが異なる複数のテストセットを持つ4つのデータセットで評価した。
論文 参考訳（メタデータ） (2023-06-19T18:48:15Z) - Uniformity in Heterogeneity:Diving Deep into Count Interval Partition
for Crowd Counting [56.44300325295678]
一様誤差分割(UEP)と呼ばれる新しいカウント間隔分割基準を提案する。
MCP基準は、推論中にそのカウント値を表すために、各インターバルのベストカウントプロキシを選択する。
統一誤り分割ネットワーク(UEPNet)と呼ばれる単純で効果的なモデルを提案する。
論文 参考訳（メタデータ） (2021-07-27T06:24:15Z) - Towards Defending Multiple $\ell_p$-norm Bounded Adversarial
Perturbations via Gated Batch Normalization [120.99395850108422]
既存の敵防衛は、個々の摂動に対するモデル堅牢性を改善するのが一般的である。
最近の手法では、複数の$ell_p$球における敵攻撃に対するモデルロバスト性を改善するが、各摂動型に対するそれらの性能は、まだ十分ではない。
我々は,複数の$ell_pの有界摂動を守るために,摂動不変予測器を逆向きに訓練するGated Batch Normalization (GBN)を提案する。
論文 参考訳（メタデータ） (2020-12-03T02:26:01Z)
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。