論文の概要: RAEGL: Risk-Aware Evidence-Gated Learning for Selective Contextual Routing under Temporal Shift

• arxiv url: http://arxiv.org/abs/2609.33340v1
• Date: Sun, 27 Sep 2026 08:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:57:06.993206
• Title: RAEGL: Risk-Aware Evidence-Gated Learning for Selective Contextual Routing under Temporal Shift
• Title（参考訳）: RAEGL: 時間変化を考慮した選択的コンテキストルーティングのためのリスク認識型学習
• Abstract要約: 文脈特殊化は予測精度を向上させることができるが、時間分布シフトによって、ある歴史区間で選択された補正は信頼性が低下する可能性がある。 本稿では,状況予測のためのリスク認識学習フレームワークであるRAEGLを提案する。 RAEGLは検証済みのグローバル予測器をデフォルトで保持し、事前デプロイの証拠がその使用をサポートする場合にのみ文脈的残留を活性化する。
• 参考スコア（独自算出の注目度）: 1.5449235351737436
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contextual specialization can improve forecasting accuracy, but a correction selected on one historical interval may become unreliable under temporal distribution shift. To address this issue, we propose RAEGL, a Risk-Aware Evidence-Gated Learning framework for selective contextual forecasting. RAEGL retains a validated global predictor by default and activates a contextual residual only when pre-deployment evidence supports its use. The framework separates candidate selection from gate calibration and jointly evaluates randomization significance, practically meaningful gain, and temporal stability. Experiments on real-world audits and controlled panels show how RAEGL can prevent harmful contextual deployment while making conservative opportunity costs explicit. In a reconstructed Our World in Data audit, exact fallback avoids RMSE degradations of 0.0960 and 0.0239 caused by two validation-selected corrections. In a sealed World Development Indicators evaluation, a region-based correction passes the randomization test but is withheld because its gain is only 0.000092, its country-clustered 95% confidence interval crosses zero, and only 0.02% of bootstrap replicates reach the practical threshold. In controlled panels, the stability- and support-aware extension activates in 97.2% of strong, stable-context runs while rejecting all high-drift settings. These results support RAEGL as an auditable, evidence-based mechanism for managing contextual deployment risk and as a conservative alternative to validation-driven contextual selection.
• Abstract（参考訳）: 文脈特殊化は予測精度を向上させることができるが、時間分布シフトによって、ある歴史区間で選択された補正は信頼性が低下する可能性がある。 この問題に対処するために、我々は、選択的な文脈予測のためのリスク認識エビデンス学習フレームワークであるRAEGLを提案する。 RAEGLは検証済みのグローバル予測器をデフォルトで保持し、事前デプロイの証拠がその使用をサポートする場合にのみ文脈的残留を活性化する。 この枠組みは、ゲートキャリブレーションから候補選択を分離し、ランダム化の意義、実質的に有意義な利得、時間的安定性を共同評価する。 実世界の監査とコントロールパネルの実験は、RAEGLが有害なコンテキスト展開を防ぎつつ、保守的な機会コストを明示する方法を示している。 再構成されたOur World in Data監査において、正確なフォールバックは2つのバリデーション選択された修正によるRMSEの0.0960と0.0239の劣化を避ける。 封印された世界開発指標の評価では、地域ベースの補正はランダム化テストに合格するが、その利得は0.000092に過ぎず、その国でクラスター化された95%信頼区間はゼロに過ぎず、ブートストラップ複製の0.02%のみが実用的なしきい値に達する。 コントロールパネルでは、安定とサポート対応の拡張は、強い、安定したコンテキスト実行の97.2%で活性化され、高いドリフト設定をすべて拒否する。 これらの結果は、RAEGLを、コンテキストデプロイメントのリスクを管理するための監査可能なエビデンスベースのメカニズムとしてサポートし、検証駆動型コンテキスト選択の保守的な代替としてサポートします。

関連論文リスト

• Excitation-Supervised Closed-Loop Self-Calibration and Target Seeking for an Unknown-Pose Range-Bearing Relay [0.0]
  本論文は、識別可能性を管理する閉ループ層を提供する。 励起教師付きアルゴリズムは、励起リセットコントローラを監督するために使用される。 崩壊率のスイープは、固定されたスケジュールの崩壊が未知の時間から適切な励振を追い越すとき、監督が重要であることを示している。
  論文  参考訳（メタデータ） (2026-08-12T19:00:07Z)
• Cross-Fitted Residual Utility for Primary-Preserving Cognitive Decision Correction in Automatic Modulation Classification [1.547549252134621]
  本稿では,クロスフィット型残効ユーティリティとプライマリ保存型認知決定ポリシーを用いて,推論後の問題について検討する。 構造化されたkan-Fourier分類器はデフォルトの確率を提供し、ニューラルおよび非ニューラル候補は観測可能な証拠を提供する。 RMLA、RMLB、HISARでは、完全なシステムは全体の精度を63.632%から66.332%、65.161%から66.168%、77.769%から79.867%に改善している。
  論文  参考訳（メタデータ） (2026-08-03T11:07:37Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Beyond Output-Space Calibration: Spectral Evidence Bundling for Selective Reliability Estimation in Time-Series Classification [26.80740674805048]
  時系列分類のポストホック校正は通常、出力スコアを再マップするが、配置決定は現在の時間信号によって確実な予測が支持されるかどうかに依存する。 同一の信頼値が異なる時間的サポートを隠蔽し、平均キャリブレーションは偽の高信頼誤差を見逃し、出力空間再校正は限られた入力リンク監査性を提供する。 信頼すべきかどうかを推定しながら、バックボーンの予測を一定に保ちつつ、バリデーション付き固定ラベル信頼性ポリシーを導入する。
  論文  参考訳（メタデータ） (2026-06-29T01:31:00Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Risk-Calibrated Bayesian Streaming Intrusion Detection with SRE-Aligned Decisions [0.0]
  本稿では,ベイジアンオンライン変更点検出とサイト信頼性工学(SRE)の誤差予算に整合した決定しきい値とを結合したストリーミング侵入検出に対するリスク校正手法を提案する。 我々は、ハザードモデル、共役更新、およびイベントごとのO(1)実装について詳述する。 具体的なSREの例は、99.9%の可用性SLO(月43.2分毎のエラー予算)が、ミスインシデントが偽アラームよりも10倍高い場合、0.91に近い確率閾値を得ることを示している。
  論文  参考訳（メタデータ） (2025-09-17T17:36:08Z)
• Trusted Uncertainty in Large Language Models: A Unified Framework for Confidence Calibration and Risk-Controlled Refusal [31.458406135473805]
  異種不確実性証拠を正当性の校正確率に変換する統一フレームワークUniCRを提案する。 UniCRは、温度スケーリングと適切なスコアリングを備えた軽量なキャリブレーションヘッドを学習する。 ショートフォームQA、実行テスト付きコード生成、検索強化ロングフォームQAの実験は、キャリブレーションメトリクスの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2025-09-01T13:14:58Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)

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。