論文の概要: CVaR anchor regression protects against rare shifts

• arxiv url: http://arxiv.org/abs/2609.27034v1
• Date: Tue, 22 Sep 2026 20:29:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.762433
• Title: CVaR anchor regression protects against rare shifts
• Title（参考訳）: CVaRアンカー・レグレッションはまれなシフトを防ぐ
• Abstract要約: 我々は、希少な大きなシフトを含むトレーニングデータを含む場合、新しい環境での予測について研究する。 アンカー回帰は、環境全体の2乗平均残差の平均をペナル化する。 本稿では,2乗平均残差の平均をテール平均に置き換えるCVaRアンカー回帰法を提案する。
• 参考スコア（独自算出の注目度）: 1.015283812819547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study prediction in new environments when training data contain rare, large shifts. Anchor regression penalizes the average of the squared mean residual across environments. It protects against shifts in an ellipsoid determined by the second moment of the training shifts. Covering rare shifts may therefore require a large penalty, expanding the ellipsoid in every direction and reducing accuracy on common environments. We propose CVaR anchor regression, which replaces the average of the squared mean residuals with a tail average. Unlike CVaR or GroupDRO applied directly to prediction risks, it does not give environments more weight solely because their noise levels are high. We prove an exact worst-case risk guarantee under a linear structural model that allows for heteroscedastic noise. For discrete environments, decreasing the CVaR tail fraction expands the robustness set from an ellipsoid to a scaled convex hull of the training shifts and their negatives. A separate parameter controls its scale. Examples show how the method can improve protection against rare shifts while retaining accuracy on common environments. We illustrate the method on New York City taxi data.
• Abstract（参考訳）: 我々は、希少な大きなシフトを含むトレーニングデータを含む場合、新しい環境での予測について研究する。 アンカー回帰は、環境全体の2乗平均残差の平均をペナル化する。 トレーニングシフトの第2モーメントによって決定される楕円体のシフトから保護される。 そのため、稀なシフトをカバーするには大きなペナルティが必要となり、楕円体をあらゆる方向に拡大し、一般的な環境における精度を低下させる。 本稿では,2乗平均残差の平均をテール平均に置き換えるCVaRアンカー回帰法を提案する。 CVaRやGroupDROが直接予測リスクに適用されているのとは異なり、騒音レベルが高いためだけに環境が重くなるわけではない。 我々は, 線形構造モデルの下で, 不整合性雑音を許容する, 正確な最悪のリスク保証を証明した。 個別の環境では、CVaRテール分画の減少は、楕円体からトレーニングシフトのスケールした凸殻とその負に設定されたロバスト性を拡張する。 別個のパラメータがそのスケールを制御する。 例は、一般的な環境における精度を維持しながら、希少なシフトに対する保護をいかに改善できるかを示している。 ニューヨーク市のタクシーデータについて概説する。

関連論文リスト

• Robust Dual-Regularized Variable Selection under Outlier Contamination [0.0]
  本研究では,外層汚染を伴う単一指標モデルにおける変分選択のための勾配法(smOPG)の2段階的中央値外積を提案する。 大気汚染とゲノムデータへの応用は実用性を示し、理論は個々の局所回帰の選択一貫性を必要とせず、アクティブセットの回復を確立する。
  論文  参考訳（メタデータ） (2026-09-18T05:56:33Z)
• Beyond Homoscedasticity: Decoupled Uncertainty Optimization for Deep Imbalanced Regression [7.011984503405774]
  深い不均衡回帰は、様々なモダリティにまたがる継続的な予測タスクにおいて広く使われている。 本研究では,不確実性を考慮した長周期回帰フレームワークDUOを提案する。 本研究は,IMDB-WIKI-DIR, AgeDB-DIR, AAV2-DIRにおいて,小ショットMAEの競争力を維持しながら,最も優れた小ショットbMAEとGMを実現していることを示す。
  論文  参考訳（メタデータ） (2026-09-04T11:06:57Z)
• Data Deletion Can Help in Adaptive RL [30.873221510403866]
  実世界における強化学習ポリシーの展開には、時間的な環境への適応が必要である。 本研究では,環境の族がテスト時に未知の低次元の文脈によってインデックス付けされるような,文脈的マルコフ決定プロセス(cMDP)フレームワークでこの問題を研究する。 各ラウンドの後にトレーニングバッファの断片をランダムに削除することで、推定器を大幅に改善する、単純で直感的なトリックを識別する。 これは、データが徐々に改善されたポリシーを使用して複数のラウンドにまたがって収集されるためであり、古いトラジェクトリは、デプロイメント時に推定器が直面するものとは異なる分布から来る。
  論文  参考訳（メタデータ） (2026-04-30T23:58:22Z)
• Adapt in the Wild: Test-Time Entropy Minimization with Sharpness and Feature Regularization [85.50560211492898]
  テスト時適応(TTA)は、テストデータが分散シフトが混在している場合、モデルの性能を改善または損なう可能性がある。 これはしばしば、既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。 両面からTTAを安定化させるため,SARと呼ばれる鋭く信頼性の高いエントロピー最小化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:03:00Z)
• Density-Calibrated Conformal Quantile Regression [2.0485358181172453]
  本稿では,密度キャリブレーション型コンフォーマル量子回帰法(CQR-d)を提案する。 CQR-dは、局所データ密度によって重みが決定される局所的およびグローバルな適合性のスコアの重み付けによるローカル情報を含む。 我々は、CQR-dが1-α-epsilon$で有効な限界カバレッジを提供することを証明している。
  論文  参考訳（メタデータ） (2024-11-29T07:41:20Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)

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。