論文の概要: Domain-Adapted Diffusion Models for Conditional Independence Testing

• arxiv url: http://arxiv.org/abs/2609.33490v1
• Date: Sun, 27 Sep 2026 11:59:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:23:29.567509
• Title: Domain-Adapted Diffusion Models for Conditional Independence Testing
• Title（参考訳）: 条件付き独立試験のための領域適応拡散モデル
• Abstract要約: 条件独立(CI)は統計学と機械学習の基本的な概念である。 条件生成モデリングの最近の進歩は、生成モデルに基づくCIテストのための柔軟なツールを提供する。 推定分布を推定するエラーは、既存のI型エラー境界に蓄積される。
• 参考スコア（独自算出の注目度）: 29.925263718821327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional independence (CI) is a fundamental concept in statistics and machine learning. Recent advances in conditional generative modeling provide flexible tools for generative-model-based CI tests, which rely on an estimated conditional distribution to generate randomized samples. However, errors in estimating this distribution accumulate in existing Type I error bounds, and consistency of the generative estimator alone does not guarantee asymptotic Type I error control. To address this limitation, we formulate conditional generative modeling as a domain adaptation problem and leverage auxiliary data from multiple source domains to improve estimation in the target CI testing domain. We propose Domain-Adapted Diffusion (DA-Diff), a multi-source domain adaptation framework for conditional diffusion models based on weighted empirical risk minimization over both target and source domains. We establish the convergence rate of DA-Diff and show how transferable source data can improve target-domain estimation through an increased effective sample size while controlling transfer bias. Building on DA-Diff, we further propose Domain-Adapted Conditional Independence Testing (DA-CIT) and show that its Type I error satisfies $P(p \leq α) \leq α+ o(1)$. Experiments demonstrate that DA-Diff improved conditional generation quality compared with transfer-learning diffusion baselines, while DA-CIT provides strong Type I error control and competitive power.
• Abstract（参考訳）: 条件独立(CI)は統計学と機械学習の基本的な概念である。 条件生成モデリングの最近の進歩は、予測条件分布に依存してランダム化されたサンプルを生成する、生成モデルに基づくCIテストのための柔軟なツールを提供する。 しかし、この分布を推定する誤差は、既存のタイプIエラー境界に蓄積しており、生成推定器の一貫性だけでは、漸近的なタイプIエラー制御を保証していない。 この制限に対処するために、条件付き生成モデリングをドメイン適応問題として定式化し、複数のソースドメインからの補助データを活用して、ターゲットCIテスト領域における推定を改善する。 本稿では、ターゲットドメインとソースドメインの両方に対して、重み付けされた経験的リスク最小化に基づく条件付き拡散モデルのためのマルチソースドメイン適応フレームワークであるDomain-Adapted Diffusion (DA-Diff)を提案する。 DA-Diffの収束率を確立し、転送バイアスを制御しながら、有効サンプルサイズを増大させることで、転送可能なソースデータがターゲット領域推定をどのように改善できるかを示す。 DA-Diffに基づいて、さらにドメイン適応条件独立テスト(DA-CIT)を提案し、そのタイプIエラーが$P(p \leq α) \leq α+ o(1)$であることを示す。 DA-CITは強いタイプIエラー制御と競争力を提供する一方、DA-Diffはトランスファーラーニング拡散ベースラインよりも条件生成品質が向上したことを示した。

関連論文リスト

• Why Gaussian Diffusion Models Fail on Discrete Data? [38.987228580469015]
  DDPMソルバを用いた拡散モデルが分散分布のサンプル化に苦慮する理由を考察する。 セルフコンディショニングや問題解決など,qサンプリング(qサンプリング)と呼ばれる存在が,この問題の緩和に役立つことを示す。
  論文  参考訳（メタデータ） (2026-04-02T13:35:02Z)
• Heterogeneous Multisource Transfer Learning via Model Averaging for Positive-Unlabeled Data [2.030810815519794]
  本研究では,異種データソースからの情報を直接データ共有なしで統合するトランスファー学習フレームワークを提案する。 各ソースドメインタイプに対して、調整されたロジスティック回帰モデルを実行し、平均化によって知識をPUターゲットドメインに転送する。 提案手法は,特にラベル付きデータや異種環境において,予測精度とロバスト性において,他の比較手法よりも優れる。
  論文  参考訳（メタデータ） (2025-11-14T03:15:31Z)
• Score-based Generative Modeling for Conditional Independence Testing [35.0533359302886]
  本稿では,精度の高いタイプIエラー制御と強力なテスト能力を実現するための,スコアベース生成モデルによる新しいCIテスト手法を提案する。 スコアベース生成モデルによりモデル化された条件分布の誤差境界を理論的に確立し,CIテストの有効性を検証した。
  論文  参考訳（メタデータ） (2025-05-29T10:10:46Z)
• Constrained Diffusion Models via Dual Training [80.03953599062365]
  拡散プロセスは、トレーニングデータセットのバイアスを反映したサンプルを生成する傾向がある。 所望の分布に基づいて拡散制約を付与し,制約付き拡散モデルを構築する。 本稿では,制約付き拡散モデルを用いて,目的と制約の最適なトレードオフを実現する混合データ分布から新しいデータを生成することを示す。
  論文  参考訳（メタデータ） (2024-08-27T14:25:42Z)
• Everything to the Synthetic: Diffusion-driven Test-time Adaptation via Synthetic-Domain Alignment [81.78901060731269]
  テスト時間適応(TTA)は、これまで見つからなかった、シフトしたターゲットドメイン上でのソースドメイン事前訓練モデルの性能を改善することを目的としている。 従来のTTA手法は、主にターゲットデータストリームに基づいてモデルの重みを適応し、ターゲットデータの量と順序に敏感なモデル性能を実現する。 最近提案された拡散駆動型TTA法は、モデル入力を重みに代えて適応することでこれを緩和し、ソースドメイン上で訓練された無条件拡散モデルにより、ターゲットドメインデータをソースドメインに近似する合成ドメインに変換する。
  論文  参考訳（メタデータ） (2024-06-06T17:39:09Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Domain-Guided Conditional Diffusion Model for Unsupervised Domain Adaptation [23.668005880581248]
  本研究では,DomAin-guided Conditional Diffusion Model (DACDM)を提案する。 生成されたサンプルは、既存のUDAメソッドがソースドメインからターゲットドメインへの転送をより容易にするのに役立つため、転送性能が向上する。
  論文  参考訳（メタデータ） (2023-09-23T07:09:44Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• Robustified Domain Adaptation [13.14535125302501]
  非教師付きドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインへの知識伝達に広く使用される。 UDAにおける避けられないドメイン分布の偏りは、ターゲットドメインの堅牢性をモデル化するための重要な障壁である。 頑健な UDA モデルをトレーニングするための新しいクラス一貫性のないunsupervised Domain Adaptation (CURDA) フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T22:21:54Z)

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。