論文の概要: Domain Adaptation with Target Information via Doubly-Anchored Distributionally Robust Optimization
- arxiv url: http://arxiv.org/abs/2609.32730v1
- Date: Sat, 26 Sep 2026 15:49:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 20:55:47.6388
- Title: Domain Adaptation with Target Information via Doubly-Anchored Distributionally Robust Optimization
- Title（参考訳）: 二重分布ロバスト最適化によるターゲット情報を用いた領域適応
- Abstract要約: ドメイン適応(DA)は最悪のケースの保証を欠くことが多いが、ソースデータのみに基づく分散ロバスト最適化(DRO)は利用可能なターゲット構造を無視している。
本稿では、ソース法を中心とする$$-divergence Ballsとソース完備なターゲット参照法とを両立させるDROフレームワークを提案する。
我々は、対称および非対称な発散ペアリングのための二重誘導対角橋のジオメトリを導出する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain Adaptation (DA) often lacks worst-case guarantees, while Distributionally Robust Optimization (DRO) based only on source data centers its ambiguity set at the source law and ignores available target structure. To bridge this gap, we introduce a doubly-anchored DRO framework whose ambiguity set is the intersection of $φ$-divergence balls centered at the source law and a source-completed target reference law, the latter pairing the target covariate law with the source conditional law. We derive dual-induced adversarial bridge geometries for symmetric and asymmetric divergence pairings, notably introducing a Kullback--Leibler/squared-Hellinger (KL/HD) bridge. This asymmetric formulation yields a Lambert-$W$ geometry in which source-side exponential risk tilting and target-side Hellinger stabilization enter through distinct terms, attenuating, but not bounding, the effect of large likelihood ratios. Furthermore, without imposing covariate shift, we establish finite-sample generalization bounds for the minimizer of a structural, loss-agnostic density-bridge risk under bounded-overlap conditions; these bounds do not apply directly to the loss-aware DRO min--max estimator. We translate our framework into a bridge-weighted Nadaraya--Watson estimator, proving uniform consistency for the source regression function and pointwise asymptotic normality, with target recovery when the source and target regression functions coincide, as under covariate shift. Finally, an empirical evaluation on a domain-shifted Fashion-MNIST dataset illustrates the finite-sample stability of the asymmetric KL/HD bridge under severe synthetic target-covariate corruption.
- Abstract（参考訳）: ドメイン適応(DA)は最悪のケースの保証を欠くことが多いが、分散ロバスト最適化(DRO)はソースデータ中心の曖昧さのみに基づいており、利用可能なターゲット構造を無視している。
このギャップを埋めるために、ソース法を中心にした$φ$-divergence Ballsとソース完備なターゲット参照法を交わすという曖昧性セットを持つ二重アンコールDROフレームワークを導入し、後者はターゲット共変量法とソース条件法をペアリングする。
我々は、対称および非対称な分岐ペアリングのための二重誘導逆方向の橋梁を導出し、特にKL/HD橋を導入している。
この非対称な定式化は、ソース側指数的リスク傾きとターゲット側ヘリンジャー安定化が異なる項を入力し、減衰するが、有界ではない、大きな可能性比の効果を生じるランベルト=W$幾何をもたらす。
さらに、共変量シフトを課すことなく、有界オーバーラップ条件下での構造的、損失に依存しない密度-ブリッジリスクを最小化するための有限サンプル一般化境界を定め、これらの境界は損失対応DRO-min-max推定器に直接適用しない。
我々は,我々のフレームワークを橋梁重み付きNadaraya-Watson推定器に変換し,ソース回帰関数とポイントワイド漸近正規性に対する一様整合性を示す。
最後に、ドメインシフトしたFashion-MNISTデータセットに対する実験的な評価は、高度に合成されたターゲット共変量による破壊の下で、非対称なKL/HD橋の有限サンプル安定性を示す。
関連論文リスト
- Projective Normal Fields: A Convex Optimization Method for Constructing Smooth UDFs [68.08537394769392]
本稿では,原点雲からの距離場(UDF)の滑らかな近似を構築するためのフレームワークを提案する。
局所幾何推定をスカラーフィールド構造から分離することにより、PNFは非微分可能なUDFを直接適合させない。
論文 参考訳（メタデータ） (2026-09-28T09:55:50Z) - Stability-Constrained Approximation in Spline KANs: Exact Layer Balancing and Budget-Compatible Saturation [51.56484100374058]
我々は、ハードレイヤーワイドリプシッツ予算の下で近似を研究する。
構成条件下では、対応するレイヤエラーをキャンセルする必要はないことを示す。
クラスのすべての作用素に対して、安定した深さ-$L$タワーが存在し、累積誤差の定数分を実現できる。
論文 参考訳（メタデータ） (2026-09-14T20:17:04Z) - Conformal-DRO: Distributionally Robust Optimization with Conformalized Ambiguity Set [9.492534748349316]
本稿では、各インスタンスが観測されない法則を持つが1つの観測のみに寄与する潜在分布不均一性について研究する。
本研究では、ネストした共形領域を用いて、将来の潜伏法則のあいまいさを規定するConformal-DROを提案する。
結果として得られるロバストな値は、選択された決定の予測コストに対する有限サンプル証明書を提供する。
論文 参考訳（メタデータ） (2026-09-10T04:30:21Z) - DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。
DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。
アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
論文 参考訳（メタデータ） (2026-03-09T09:21:29Z) - Regularized Online RLHF with Generalized Bilinear Preferences [68.44113000390544]
一般的な嗜好を伴う文脈的オンラインRLHFの問題を考える。
一般化された双線形選好モデルを用いて、低ランクなスキュー対称行列による選好を捉える。
グリーディポリシーの双対ギャップは推定誤差の正方形によって有界であることを示す。
論文 参考訳（メタデータ） (2026-02-26T15:27:53Z) - Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。
我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。
重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
論文 参考訳（メタデータ） (2026-02-24T05:32:03Z) - Contextual Distributionally Robust Optimization with Causal and Continuous Structure: An Interpretable and Tractable Approach [2.8445258546547625]
文脈分布ロバスト最適化(DRO)のためのフレームワークを提案する。
まず, エントロピー規則化因果距離であるSinkhorn discrepancy (CSD) を導入する。
コーサルシンクホーンDRO(Causal-SDRO)と呼ばれる,CSDに基づく曖昧性集合を持つ文脈的DROモデルを導出する。
本稿では,任意の可測関数空間内の最適ポリシを近似するソフトフォレスト回帰(SRF)決定則を提案する。
論文 参考訳（メタデータ） (2026-01-16T06:18:22Z) - From Tail Universality to Bernstein-von Mises: A Unified Statistical Theory of Semi-Implicit Variational Inference [0.12183405753834557]
半単純変分推論 (SIVI) は$q() = int k(| z) r(dz)$ という形の近似後部を構成する
本稿では,このような家族に対する「近似最適化統計学」を統一的に展開する。
論文 参考訳（メタデータ） (2025-12-05T19:26:25Z) - Statistical Analysis of Conditional Group Distributionally Robust Optimization with Cross-Entropy Loss [16.1456465253627]
本研究では、複数のソースドメインからラベル付きデータを入手でき、対象ドメインからラベルなしデータのみを観測できるマルチソース非教師付きドメイン適応について検討する。
本稿では,情報源領域からの条件付き結果分布の凸結合を最小化することにより,分類器を学習するグループ分散条件最適化フレームワークを提案する。
実験的なCG-DRO推定器の高速な統計的収束速度を,理論ブリッジとして機能する2つの代理極小最適化問題を構築することにより確立する。
論文 参考訳（メタデータ） (2025-07-14T04:21:23Z)
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。