論文の概要: Beyond Empirical Support: Structured Outlier Generation via Sinkhorn Optimal Transport

• arxiv url: http://arxiv.org/abs/2609.31470v1
• Date: Fri, 25 Sep 2026 16:18:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.487171
• Title: Beyond Empirical Support: Structured Outlier Generation via Sinkhorn Optimal Transport
• Title（参考訳）: 実証的支援を超えて:シンクホーン最適輸送による構造外乱発生
• Abstract要約: 外付け器は、機械学習システムの堅牢性を評価し改善するために不可欠である。 既存の外れ値合成法は、通常、疎い地区、低支持の潜伏地域、境界交差に依存している。 我々は、潜在空間外乱発生のための構造化フレームワークであるシンクホーン境界外乱発生(SBOG)を提案する。
• 参考スコア（独自算出の注目度）: 2.7214777196418645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Outliers are essential for evaluating and improving the robustness of machine learning systems, especially when future distributions may differ significantly from historical training data. In high-stakes applications, robustness often depends on rare cases that finite datasets fail to capture, making simple resampling or perturbation insufficient for stress scenario generation. Existing outlier synthesis methods typically rely on sparse neighborhoods, low support latent regions, or classifier boundary crossings, which can be heuristic, unstable, and tied to specific modalities or architectures. We therefore propose Sinkhorn Boundary Outlier Generation (SBOG), a structured framework for latent-space outlier generation that couples Sinkhorn optimal transport geometry with distributionally robust boundary modeling. The resulting Sinkhorn-induced support cost guides the sampler toward weakly supported boundary regions, while semantic constraints prevent uncontrolled drift from the intended context, yielding controlled deviations from the in-distribution reference measure rather than arbitrary sparse-region samples. Experiments on time series anomaly generation and image outlier synthesis show that our framework produces informative, semantically controlled outliers and improves downstream robustness evaluation across modalities, providing a foundation for stress scenario generation beyond empirical support.
• Abstract（参考訳）: 外乱は、特に将来の分布が過去のトレーニングデータと大きく異なる場合、機械学習システムの堅牢性の評価と改善に不可欠である。 高度な応用において、ロバストネスは、有限データセットがキャプチャーに失敗する稀なケースに依存し、単純な再サンプリングや摂動をストレスシナリオの生成に不十分にする。 既存の外れ値合成法は、通常、疎密な地区、低サポートの潜伏地域、または分類器境界交差に依存しており、これはヒューリスティックで不安定であり、特定のモダリティやアーキテクチャと結びついている。 そこで我々は、Sinkhornの最適輸送幾何学と分布的に堅牢な境界モデルを組み合わせた潜在空間外乱発生のための構造化フレームワークであるSBOGを提案する。 その結果、シンクホーンによるサポートコストは、サンプルを弱い支持境界領域へ誘導し、セマンティック制約は、意図したコンテキストからの制御されていないドリフトを防止し、任意のスパース領域のサンプルではなく、分配されていない参照尺度から制御された逸脱をもたらす。 時系列異常生成と画像外れ値合成の実験により,我々のフレームワークは情報的・意味的に制御された外れ値を生成し,下流のロバスト性評価をモダリティにわたって改善し,経験的支援以上のストレスシナリオ生成の基礎を提供する。

関連論文リスト

• FlatManifold: Robust Continual Learning under Severe Label Noise and Domain Shifts via Intrinsic Manifold Flattening [0.7734726150561086]
  非定常ストリーミング環境では、連続学習による複雑で非線形なドメインシフトに同時に適応することが基本的な数学的課題である。 フラットマンフォールド(FlatManifold)は,平坦空間の本質的な数学的ロバスト性を生かした,簡潔な連続学習フレームワークである。 40%の対称ラベルノイズを含む厳しい条件下であっても,FlatManifoldは劣化の緩和に成功している。
  論文  参考訳（メタデータ） (2026-07-06T15:17:01Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Optimal Transport for LLM Reward Modeling from Noisy Preference [21.518348751984433]
  最適輸送を基盤としたフレームワークであるSelectiveRMを提案する。 まず、モデル予測の分布と嗜好データとを一致させるために、整合性差分法を考案する。 次に、部分輸送による質量緩和機構を組み込む。 これにより、意味的一貫性に矛盾するノイズの多い選好を持つサンプルを自律的に排除することができる。
  論文  参考訳（メタデータ） (2026-05-07T11:26:04Z)
• Self-Improving Tabular Language Models via Iterative Group Alignment [76.43372236405664]
  自動フィードバックによるデータ生成のための,最初の自己改善フレームワークであるTabGRAAを紹介する。 新たに生成されたサンプルを高品質なグループと低品質なグループに分割し、グループ相対的な有利な目標を優先順位付けする。 実験では、TabGRAAは、忠実さ、ユーティリティ、プライバシにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-04-21T01:29:52Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Worst-case generation via minimax optimization in Wasserstein space [19.645939141861543]
  最悪のケース生成は、分散シフト下でのロバストネスとストレステストシステムを評価する上で重要な役割を果たす。 我々は,所定のリスクに対する最悪のケース生成のための生成モデリングフレームワークを開発する。
  論文  参考訳（メタデータ） (2025-12-09T02:11:08Z)
• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• Latent Iterative Refinement Flow: A Geometric-Constrained Approach for Few-Shot Generation [5.062604189239418]
  少ショット生成に対する新しいアプローチであるLIRF(Latent Iterative Refinement Flow)を導入する。 LIRFは,新しいtextbfmanifold保存損失をトレーニングしたオートエンコーダを用いて,安定な潜伏空間を確立する。 このサイクルの中で、候補サンプルは幾何的テクスチャ補正演算子によって洗練される。
  論文  参考訳（メタデータ） (2025-09-24T08:57:21Z)
• Provable Guarantees for Generative Behavior Cloning: Bridging Low-Level Stability and High-Level Behavior [51.60683890503293]
  生成モデルを用いた複雑な専門家による実演の行動クローニングに関する理論的枠組みを提案する。 任意の専門的軌跡の時間ごとのステップ分布に一致するトラジェクトリを生成することができることを示す。
  論文  参考訳（メタデータ） (2023-07-27T04:27:26Z)
• Causality-oriented robustness: exploiting general noise interventions [4.64479351797195]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 DRIGはトレーニングデータにおける一般的なノイズ介入を利用して、目に見えない介入に対する堅牢な予測を行う。 我々のフレームワークには特別なケースとしてアンカー回帰が含まれており、より多様な摂動から保護される予測モデルが得られることを示す。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)

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。