論文の概要: A Hierarchy of Entropy-Shapley Games for Multivariate Predictive Uncertainty
- arxiv url: http://arxiv.org/abs/2609.35217v1
- Date: Mon, 28 Sep 2026 14:04:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 15:58:48.139241
- Title: A Hierarchy of Entropy-Shapley Games for Multivariate Predictive Uncertainty
- Title（参考訳）: 多変量予測不確かさに対するエントロピー共有ゲームの一階層
- Abstract要約: 本稿では,任意の順序付けられた結果に対して属性を明確にする3つのエントロピーベースのShapleyゲーム階層を導入する。
結合属性のチェーンル分解を確立し,条件付き全相関によるクロスコンポーネント項の特徴付けを行う。
確率的モデル間で学習された関節構造の違いを,フレームワークがどのように捉えているかを実証する。
- 参考スコア（独自算出の注目度）: 1.2841191134038277
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern probabilistic machine learning models increasingly produce multivariate outputs with complex dependence structure, from multi-step time-series forecasts to sample path predictions. Understanding which input features drive the predictive uncertainty is important for risk-aware decisions, model diagnostics, and deciding whether the uncertainty should be mitigated or hedged against. This attribution problem requires a choice of how dependencies between output components are treated. Existing approaches reduce the output to a scalar through aggregation or projection before attribution, thereby obscuring whether features affect marginal uncertainty, dependence structure, or both, while component-wise analyses can miss dependence effects entirely. We close this gap by introducing a hierarchy of three entropy-based Shapley games that make this output-side choice explicit for any ordered multivariate outcome, ranging from per-component marginal entropy to fully joint entropy. The hierarchy isolates a cross-component attribution term that captures how each feature shifts the dependence between output components, a quantity invisible to component-wise methods. We establish a chain-rule decomposition of the joint attribution and characterize the cross-component term through conditional total correlation, providing both closed-form and sample-based estimators. Finally, we demonstrate how the framework captures differences in learned joint structure across probabilistic models from distributional regression to a zero-shot time series foundation model.
- Abstract（参考訳）: 現代の確率論的機械学習モデルは、多段階時系列予測からサンプルパス予測まで、複雑な依存構造を持つ多変量出力をますます生成する。
入力特徴がどの不確実性を引き起こすかを理解することは、リスク認識の判断、モデル診断、不確実性を軽減するか、あるいは対処するかを決定する上で重要である。
この属性問題は、出力コンポーネント間の依存関係をどのように扱うかを選択する必要がある。
既存のアプローチでは、帰属前の凝集や投射を通じてスカラーへの出力を減少させ、それによって特徴が限界不確実性、依存構造、あるいはその両方に影響を与えるかどうかを無視する一方、コンポーネントワイズ分析は依存効果を完全に見逃す可能性がある。
このギャップを埋めるために、3つのエントロピーベースのシャプリーゲーム(英語版)の階層を導入し、任意の順序付き多変量結果に対してこの出力側選択を明示する。
階層構造は、各機能が出力コンポーネント間の依存性をどのようにシフトするかをキャプチャするクロスコンポーネント属性項を分離する。
我々は, 連接属性のチェーンル分解を確立し, 条件付き全相関によるクロスコンポーネント項の特徴付けを行い, クローズドフォームとサンプルベース推定の両方を提供する。
最後に,確率論的モデルからゼロショット時系列基礎モデルまで,学習された関節構造の違いをいかに捉えているかを示す。
関連論文リスト
- Dependence Fidelity and Downstream Inference Stability in Generative Models [0.0]
共分散レベル依存フィデリティは、生成モデルを評価するのに有用な基準である。
依存性のばらつきは、下流の推論において定量的不安定を引き起こす。
これらの結果から, 依存性の忠実度が生成モデル評価に有用であることが示唆された。
論文 参考訳（メタデータ） (2026-03-17T18:24:31Z) - Breaking the Factorization Barrier in Diffusion Language Models [59.946071582340146]
ベクトル化障壁」は拡散言語モデルの効率的な並列生成を妨げる。
完全分解出力分布を置き換えるための結合離散拡散法を提案する。
我々は, CoDD が多種多様な言語モデルアーキテクチャをシームレスに拡張し, オーバーヘッドを無視できることを示した。
論文 参考訳（メタデータ） (2026-02-09T08:36:39Z) - Expected Return Causes Outcome-Level Mode Collapse in Reinforcement Learning and How to Fix It with Inverse Probability Scaling [2.8825582215429186]
結果-レベルモードの崩壊は、期待されたリターン自体の構造的な結果であることを示す。
学習信号から結果周波数を除去する逆確率スケーリングという,最小限の補正を提案する。
論文 参考訳（メタデータ） (2026-01-29T13:03:33Z) - Explainable Multimodal Regression via Information Decomposition [27.157278306251772]
部分情報分解(PID)に基づく新しい多モード回帰フレームワークを提案する。
本フレームワークは,予測精度と解釈可能性の両方において最先端の手法より優れ,効率的な推論のための情報モダリティ選択を可能にする。
論文 参考訳（メタデータ） (2025-12-26T18:07:18Z) - Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse
Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。
本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。
学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
論文 参考訳（メタデータ） (2024-01-10T02:38:21Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - $\clubsuit$ CLOVER $\clubsuit$: Probabilistic Forecasting with Coherent Learning Objective Reparameterization [42.215158938066054]
MQForecasterニューラルネットワークアーキテクチャを多変量ガウス因子モデルで拡張し,構築によるコヒーレンスを実現する。
我々はこの手法をCLOVER(Coherent Learning Objective Reparametrization Neural Network)と呼ぶ。
CLOVERは最先端のコヒーレント予測手法と比較して,スケールしたCRPS予測精度が15%向上した。
論文 参考訳（メタデータ） (2023-07-19T07:31:37Z) - Probabilistic Kolmogorov-Arnold Network [1.4732811715354455]
本稿では,アレータティック不確実性の場合に出力の確率分布を推定する手法を提案する。
提案手法は, 出力の入力依存確率分布と, 入力による分布型の変化を対象とする。
本手法は任意の回帰モデルに適用できるが, 計算効率のよいモデルの構築につながるため,kansと組み合わせる。
論文 参考訳（メタデータ） (2021-04-04T23:49:15Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - A Critical View of the Structural Causal Model [89.43277111586258]
相互作用を全く考慮せずに原因と効果を識別できることが示される。
本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。
我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
論文 参考訳（メタデータ） (2020-02-23T22:52:28Z)
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。