論文の概要: Design-Ignoring versus Design-Respecting World Models for Epidemiology

• arxiv url: http://arxiv.org/abs/2609.30679v1
• Date: Fri, 25 Sep 2026 01:33:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.182489
• Title: Design-Ignoring versus Design-Respecting World Models for Epidemiology
• Title（参考訳）: 疫学におけるデザイン無視とデザイン無視の世界モデル
• Abstract要約: 我々はデザインを世界モデル潜在世界インタフェースの制約として定式化する。 設計を無視するケースカウントモデルと設計を無視するテスト負の観察モデルを比較する。
• 参考スコア（独自算出の注目度）: 6.987172370930139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: World models for epidemiology learn from records shaped by study designs, including assignment, sampling, measurement, and related processes. A model may therefore reconstruct observed trajectories while learning an intervention contrast that depends on how records were collected. We formalize study design as constraints on a world model latent-world interface, action mechanism, observation likelihood, and target readout. This distinguishes design-respecting models, which encode these constraints, from design-ignoring models, which fit selected records without relating assignment and observation to the intended intervention question. Using a large scale cluster-randomized test-negative trial, we hold the latent structure and fitting settings fixed and compare a design-ignoring case-count model with a design-respecting test-negative observation model. Both models achieve comparable factual reconstruction. Yet across 500 paired resampling experiments at different relative sampling intensity, median contrast changes are substantial for the design-ignoring model, versus merely marginal for the design-respecting model. The same qualitative separation holds when sampling also varies across clusters. Thus, factual reconstruction alone does not establish design alignment; testing whether fitted contrasts preserve design-implied observation-process invariances provides a sharper evaluation.
• Abstract（参考訳）: 疫学の世界モデルは、割り当て、サンプリング、測定、関連するプロセスを含む研究設計によって形成された記録から学ぶ。 したがって、モデルは、記録の収集方法に依存する干渉コントラストを学習しながら、観測された軌跡を再構築することができる。 我々は,世界モデル潜在世界インターフェース,アクション機構,観測可能性,目標読み出しに関する制約として設計を定式化する。 これは、これらの制約を符号化する設計参照モデルと、意図した介入問題に代入や観察を伴わずに選択されたレコードに適合する設計無視モデルとを区別する。 大規模クラスタランダム化テスト負のトライアルを用いて、潜在構造と設定を固定し、設計無視ケースカウントモデルと設計無視テスト負の観察モデルとの比較を行う。 どちらのモデルも、同等の事実再構成を達成している。 しかし, 相対サンプリング強度の異なる500対のリサンプリング実験では, 中央値のコントラスト変化は設計無視モデルでは顕著であり, 単に設計無視モデルでは限界である。 同じ定性的分離は、サンプリングがクラスタによって異なるときにも成立する。 したがって、実際の再構成だけでは設計の整合性は確立せず、適合コントラストが設計により実装された観察プロセスの不変性を保っているかどうかを調べることにより、よりシャープな評価が得られる。

関連論文リスト

• Understanding the Implicit Biases of Design Choices for Time Series Foundation Models [90.894232610821]
  時系列基礎モデル(TSFM)は、時系列予測と関連する時間的タスクのための潜在的に強力で汎用的なツールのクラスである。 彼らの行動はデザインの微妙な帰納的バイアスによって強く形作られています。 モデルやデータの性質によって、これらのバイアスが直感的であるか、非常に直感的であるかを示す。
  論文  参考訳（メタデータ） (2025-10-22T04:42:35Z)
• Spatial Reasoning with Denoising Models [49.83744014336816]
  本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。 初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。 これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
  論文  参考訳（メタデータ） (2025-02-28T14:08:30Z)
• Linking Robustness and Generalization: A k* Distribution Analysis of Concept Clustering in Latent Space for Vision Models [56.89974470863207]
  本稿では,局所的近傍解析手法であるk*分布を用いて,個々の概念のレベルで学習された潜伏空間について検討する。 視覚モデルの潜在空間の全体的品質を評価するために、個々の概念を解釈するための歪度に基づく真および近似メトリクスを導入する。
  論文  参考訳（メタデータ） (2024-08-17T01:43:51Z)
• Prototype Learning for Explainable Brain Age Prediction [1.104960878651584]
  回帰タスクに特化して設計された,説明可能なプロトタイプベースモデルであるExPeRTを提案する。 提案モデルでは,プロトタイプラベルの重み付き平均値を用いて,学習したプロトタイプのラテント空間における距離からサンプル予測を行う。 提案手法は,モデル推論プロセスに関する知見を提供しながら,最先端の予測性能を実現した。
  論文  参考訳（メタデータ） (2023-06-16T14:13:21Z)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Active Discrimination Learning for Gaussian Process Models [0.27998963147546135]
  本稿では,ガウス過程モデルとガウス過程モデルを区別する実験の設計と解析について述べる。 この選択は、2つのモデルに対する対称対称カルバック・リーバーの差の最大化に依存する。 その他の距離ベースの基準も導入され、従来の基準よりも計算が簡単になった。
  論文  参考訳（メタデータ） (2022-11-21T16:27:50Z)
• Unveiling Project-Specific Bias in Neural Code Models [20.131797671630963]
  大規模言語モデル(LLM)ベースのニューラルネットワークモデルは、実際のプロジェクト間アウトオブディストリビューション(OOD)データに効果的に一般化するのに苦労することが多い。 この現象は, 地中真実の証拠ではなく, プロジェクト固有のショートカットによる予測に大きく依存していることが示唆された。 サンプル間の潜在論理関係を利用してモデルの学習行動を規則化する新しいバイアス緩和機構を提案する。
  論文  参考訳（メタデータ） (2022-01-19T02:09:48Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)
• Pursuing a Prospective Perspective [0.0]
  予測モデルのふりかえりテストは、モデルをデプロイする現実世界のコンテキストを考慮しない。 予測検証は、データ生成プロセス間の有意義な比較を可能にする。
  論文  参考訳（メタデータ） (2020-08-26T17:39:53Z)

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。