論文の概要: Guided Uncertainty-Aware Robust Domain Transfer

• arxiv url: http://arxiv.org/abs/2609.35654v1
• Date: Mon, 28 Sep 2026 17:20:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 19:53:44.657194
• Title: Guided Uncertainty-Aware Robust Domain Transfer
• Title（参考訳）: ガイド付き不確かさを意識したロバストドメイン転送
• Abstract要約: GUARD(Guided and Uncertainty-Aware Robustness to Domain shift)は、既存のデプロイモデルを更新するための統一統計フレームワークである。 GUARDは、現在のモデルに固定された半教師付き逆最適化問題として、堅牢なマルチソース変換学習を定式化している。 そして、ソースモデルにおけるサンプリングのばらつきを考慮しつつ、ソース情報とターゲット情報を組み合わせた不確実性を認識したガイド付きグループDRO推定器を構築する。 我々は,10年以上にわたる慢性関節リウマチの慢性関節リウマチに対するGUARDの有用性について,広範囲なシミュレーション実験と実世界の応用例を示した。
• 参考スコア（独自算出の注目度）: 13.51027758916367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence models deployed as clinical decision support tools often suffer substantial performance degradation over time and across institutions due to covariate shift, concept drift, and cross-system heterogeneity. Fully retraining complex models is frequently infeasible, particularly in EHR settings where labeled outcome data are scarce and regulatory constraints limit model modification. We propose GUARD (Guided and Uncertainty-Aware Robustness to Domain shift), a unified statistical framework for updating an existing deployed model using limited labeled target data and multiple heterogeneous source populations while guarding against future distributional shifts. GUARD formulates robust multi-source transfer learning as a semi-supervised, adversarial optimization problem anchored at the current model, and employs double machine learning with cross-fitting to obtain debiased, efficient estimates that leverage abundant unlabeled target covariates. It then constructs an uncertainty-aware, guided group DRO estimator that combines source and target information while accounting for sampling variability in the source models. Our framework jointly provides principled robustness to domain shift, efficient semi-supervised estimation, and valid statistical inference for multi-source transfer of clinical prediction models. We demonstrate the utility of GUARD via extensive simulation experiments and a real world application to predicting future disease activity in rheumatoid arthritis from EHR data spanning more than a decade. GUARD recalibrates a pretrained model with only a small number of labeled records per year and remains accurate over multi-year horizons where target-only and standard transfer estimators degrade sharply.
• Abstract（参考訳）: 臨床意思決定支援ツールとしてデプロイされた人工知能モデルは、共変量シフト、概念のドリフト、システム間の異質性などにより、時間や機関間での大幅なパフォーマンス劣化に悩まされることが多い。 完全に再トレーニングされた複雑なモデルは、特にラベル付き結果データが不足し、規制制約がモデル修正を制限するEHR設定では、しばしば実現不可能である。 本稿では,GUARD(Guided and Uncertainty-Aware Robustness to Domain shift)を提案する。 GUARDは、現在のモデルに固定された半教師付き逆最適化問題として堅牢なマルチソーストランスファーラーニングを定式化し、二重機械学習とクロスフィッティングを用いて、豊富なラベル付けされていないターゲット共変量を利用する非バイアス付き効率的な推定値を得る。 そして、ソースモデルにおけるサンプリングのばらつきを考慮しつつ、ソース情報とターゲット情報を組み合わせた不確実性を認識したガイド付きグループDRO推定器を構築する。 このフレームワークは、ドメインシフトに対する原則的ロバスト性、効率的な半教師付き推定、および臨床予測モデルのマルチソース転送に有効な統計的推測を提供する。 我々は,10年以上にわたる慢性関節リウマチの慢性関節リウマチに対するGUARDの有用性について,広範囲なシミュレーション実験と実世界の応用例を示した。 GUARDは、毎年わずかなラベル付きレコードしか持たない事前訓練されたモデルを再検討し、ターゲットのみと標準転送推定器が急激に低下する複数年にわたって精度を保っている。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Reproducibility study on how to find Spurious Correlations, Shortcut Learning, Clever Hans or Group-Distributional non-robustness and how to fix them [0.8594140167290097]
  我々は、一般的な非XAIベースラインと並行して、説明可能な人工知能(XAI)技術に基づく補正手法の評価を行った。 XAIに基づく手法は一般に非XAI手法よりも優れていた。 実験では、多くのメソッドの実践的応用がグループラベルへの依存によって妨げられていることも明らかにした。
  論文  参考訳（メタデータ） (2026-04-06T08:29:33Z)
• 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)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• 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)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Learning Invariant Representation with Consistency and Diversity for Semi-supervised Source Hypothesis Transfer [46.68586555288172]
  本稿では,SSHT(Semi-supervised Source hypothesis Transfer)という新たなタスクを提案する。 本研究では、ランダムに拡張された2つの未ラベルデータ間の予測整合性を容易にし、SSHTの簡易かつ効果的なフレームワークである一貫性と多様性の学習(CDL)を提案する。 実験の結果,本手法は,DomainNet,Office-Home,Office-31データセット上で,既存のSSDA手法や教師なしモデル適応手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-07-07T04:14:24Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。