論文の概要: ReLaG: A Scalable Framework Generalizing Random Splits to Data with Latent Relations

• arxiv url: http://arxiv.org/abs/2609.38538v1
• Date: Tue, 29 Sep 2026 20:57:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.732111
• Title: ReLaG: A Scalable Framework Generalizing Random Splits to Data with Latent Relations
• Title（参考訳）: ReLaG: 遅延関係を持つデータへのランダム分割を一般化するスケーラブルなフレームワーク
• Abstract要約: ReLaGは、階層的な潜在変数プロセスを通じてサンプル関連性をモデル化するモダリティに依存しないフレームワークである。 近接グラフとコミュニティ検出を用いて関連するサンプルのグループを推論し、独立したトレインテストサブセットを生成する。
• 参考スコア（独自算出の注目度）: 3.3418462236704127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Random splitting can yield non-independent train--test subsets when a dataset contains related samples, as is common in certain applications such as biochemical studies. This leads to overly optimistic generalization estimates. Here, we introduce ReLaG, a modality-agnostic framework that models sample relatedness through a hierarchical latent-variable process and infers groups of related samples using proximity graphs and community detection to produce independent train--test subsets. Across molecular and protein datasets, ReLaG matches existing relation-aware methods while scaling substantially better, enabling splits at previously impractical dataset sizes. We further introduce a label-free procedure that adapts the splitting resolution to production data, aligning evaluation with the intended deployment setting. ReLaG's inferred groups provide a cheap estimate of effective dataset size, enabling diversity-aware dataset scaling. ReLaG is open source and can be installed with pip install relag.
• Abstract（参考訳）: ランダムスプリッティングは、データセットが関連するサンプルを含む場合、非独立な列車テストサブセットが得られる。 これは過度に楽観的な一般化推定につながる。 本稿では、ReLaGについて述べる。ReLaGは、階層的な潜在変数プロセスを通じてサンプル関連性をモデル化し、近距離グラフとコミュニティ検出を用いて関連するサンプル群を推論し、独立した列車-テストサブセットを生成する。 分子とタンパク質のデータセット全体にわたって、ReLaGは既存のリレーショナルアウェアメソッドにマッチすると同時に、スケーリングが大幅に向上し、それまでの非現実的なデータセットサイズでの分割を可能にする。 さらに、分割解決を本番データに適用し、意図した配置設定と評価を整合させるラベルフリー手順を導入する。 ReLaGの推論されたグループは、効率的なデータセットサイズを安価な見積で提供し、多様性を意識したデータセットのスケーリングを可能にします。 ReLaGはオープンソースで、pip install relagでインストールできる。

関連論文リスト

• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• Refnd: Preventing Data Leakage in Relational Datasets [3.5410731310203]
  Refnd は Navigable Navi Small World (HNSW) を用いてログ時間で計算された近接グラフを利用する分割アルゴリズムである。 抗微生物ペプチドデータセットを用いて,Refnd分画は従来の分画よりも低いが,より現実的な評価が得られた。
  論文  参考訳（メタデータ） (2026-06-30T19:53:33Z)
• fastml: Guarded Resampling Workflows for Safer Automated Machine Learning in R [0.0]
  我々は、ガードされた再サンプリングを通して漏洩認識機械学習のためのシングルコールインタフェースであるfastmlを提示する。 fastmlはグループ化とタイムオーダーのリサンプリングをサポートし、ハイリスク設定をブロックし、外部依存関係のレシピを監査し、サンドボックス実行と統合モデル説明を含む。
  論文  参考訳（メタデータ） (2026-04-06T22:41:27Z)
• Adapt-$\infty$: Scalable Continual Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、生涯のインストラクションチューニングのための、新しいマルチウェイおよびアダプティブなデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。 このデータセレクタは、トレーニングのために各スキルクラスタから最も重要なサンプルのサブセットをサンプリングする。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Data-Driven Subgroup Identification for Linear Regression [15.709279037284054]
  本稿では,データ内のサブグループを特徴量とラベルの均一な線形関係で識別するDDGroupを提案する。 DDGroupは低分散の1つの線形モデルを適切に特定した領域を復元する。 実験の結果、DDGroupはデータセット全体にパラメトリックなアプローチを適用するだけで見逃される定性的に異なる関係を持つサブグループを発見できることがわかった。
  論文  参考訳（メタデータ） (2023-04-29T08:32:09Z)
• Generating Data to Mitigate Spurious Correlations in Natural Language Inference Datasets [27.562256973255728]
  自然言語処理モデルはしばしば、タスクに依存しない特徴とデータセットのラベルの間の急激な相関を利用して、トレーニング対象のディストリビューション内でのみうまく機能する。 そこで本研究では, 脱バイアス化したデータセットを生成して, 脱バイアス化したオフザシェルフモデルをトレーニングする手法を提案する。 提案手法は,1)高品質なラベル一貫性のあるデータサンプルを生成するためのデータジェネレータの訓練方法,2)素粒子相関に寄与するデータ点を除去するフィルタリング機構から構成される。
  論文  参考訳（メタデータ） (2022-03-24T09:08:05Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)

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。