論文の概要: Target-Dependent Limits of Causal Repair: A Leading-Log Frontier in a Gaussian Model
- arxiv url: http://arxiv.org/abs/2610.00424v1
- Date: Wed, 30 Sep 2026 15:48:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.653844
- Title: Target-Dependent Limits of Causal Repair: A Leading-Log Frontier in a Gaussian Model
- Title（参考訳）: 因果補修の目標依存限界:ガウスモデルにおけるリードログフロンティア
- Abstract要約: 因果予測器がどれだけ改善できるかを知ることは、実際に学んだ修理の利益を明らかにしない。
我々は、このギャップを既知の介入幾何学を用いたスカラーガウス因果実験で定量化する。
均一学習 MSE$$ の学習者および評価者を共同最適化することで、修理を行わないという簡単な解決策を避けることができる。
- 参考スコア（独自算出の注目度）: 4.31007246082592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Knowing how much a causal predictor could improve need not reveal the gain of the repair actually learned. We quantify this gap in a scalar Gaussian causal experiment with known intervention geometry: auxiliary data identify effect magnitude up to bounded contamination, while diagnostics identify direction. The target is the squared-loss gain of the realized trained repair relative to a fitted reference. Jointly optimizing the learner and assessor under uniform learning MSE $η$ avoids the trivial solution of making no repair. At the usual $1/k$ learning scale, every feasible learner incurs a $k^{-2}$ assessment floor, even when oracle potential is estimable at a faster rate. In the magnitude-rich regime, we characterize a sharp leading-log frontier: the assessment exponent is $\min{\ell_k,2kη_k/U}$ to first relative order, where $\ell_k=\log(1/(k^2E_k))$ and $E_k$ is auxiliary precision. A diagnostic-abstention rule attains this exponent with unknown nuisance parameters. We also bound the critical allowance window and transfer the frontier to adaptive sampling by exact Gaussian simulation. Finite-grid experiments distinguish sign-tail suppression from total MSE and expose conservative finite-budget behavior. The result isolates how the assessment target changes information requirements in this experiment; it is not a general causal identifiability claim.
- Abstract（参考訳）: 因果予測器がどれだけ改善できるかを知ることは、実際に学んだ修理の利益を明らかにしない。
我々は、このギャップを既知の介入幾何学を用いたスカラーガウス因果実験で定量化する:補助データは、境界汚染までの効果の大きさを識別し、診断は方向を識別する。
ターゲットは、適合した基準に対して、実戦で訓練された修理の平方損失ゲインである。
均一学習MSE$η$の学習者および評価者を共同最適化することで、修理を行わないという簡単な解決策を避けることができる。
通常の1/kドルの学習スケールでは、すべての実行可能な学習者は、より速い速度でオラクルポテンシャルが推定可能であったとしても、$k^{-2}のアセスメントフロアを発生させる。
評価指数は$\min{\ell_k,2kη_k/U}$を第一相対順序に向け、$\ell_k=\log(1/(k^2E_k))$と$E_k$は補助精度である。
診断吸収規則は、未知のニュアンスパラメータでこの指数を達成する。
また、臨界許容窓を束縛し、フロンティアを正確なガウスシミュレーションにより適応サンプリングに転送する。
有限グリッド実験は、サインテール抑制と総MSEを区別し、保守的な有限予算挙動を明らかにする。
その結果、評価対象が情報要求をどのように変更するかを分離し、一般的な因果的識別可能性の主張ではない。
関連論文リスト
- Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining [8.401473551081748]
本研究では,固定配置人口に必要となる繰り返しサンプル応答を符号化した揺らぎ制御事前訓練(FSP)を導入する。
FSPは、温かいワンスレッドベンチマークでテーブル毎の11.6Times$高速にデプロイします。
2つのランダム化されたスタディ評価は、低いRMSEが残留減衰と共存できることを示している。
論文 参考訳（メタデータ） (2026-09-22T12:03:30Z) - Bayesian Best-Arm Identification with Abstention: A Polynomial-to-Exponential Phase Transition [51.253617466579335]
本研究では,学習者が端末の推薦を控えることができるベイジアン固定予算のベストアーム識別問題について検討する。
本研究は,非検出誤りの確率を解析し,吸収を伴わない準最適腕を推奨するリスクについて考察する。
論文 参考訳（メタデータ） (2026-06-28T05:07:27Z) - Efficiently Learning Drifting Halfspaces with Massart Noise [50.4331323695175]
本研究では,マッサートノイズの存在下での漂流概念の学習問題について検討する。
このフレームワークでは、オンライン学習者は独立したサンプルの履歴にアクセスすることができる。
目標は、各ラウンドで小さな予測誤差の仮説を出力することである。
論文 参考訳（メタデータ） (2026-06-09T17:35:18Z) - How Neural Reward Models Learn Features for Policy Optimization: A Single-Index Analysis [53.063298916923976]
r*(x) = *(langle *, xrangle)$ と $x sim N(0, I_d)$ でガウスの単一インデックスモデルでフィードバックを研究する。
まず、報酬重み付きサンプルから隠れた方向を*$で学習し、次に重み付きリッジ回帰により読み出し層に適合する2段階のニューラル報酬モデルを分析する。
論文 参考訳（メタデータ） (2026-05-23T22:00:38Z) - When to Trust Confidence Thresholding: Calibration Diagnostics for Pseudo-Labelled Regression [1.14219428942199]
標準的なプラクティスは、信頼性カットオフで校正されたスコアをしきい値にし、ハードラベルを真実として扱うことである。
疑似ラベリングパイプラインのためのキャリブレーション対応診断装置を開発した。
我々は、下流回帰係数において信頼しきい値が誘導する減衰バイアスの閉形式式を導出する。
論文 参考訳（メタデータ） (2026-05-12T21:49:11Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Information Hidden in Gradients of Regression with Target Noise [2.8911861322232686]
勾配だけでヘッセンが明らかになることを示す。
我々はガウス以下の入力の下で非漸近作用素ノルム保証を提供する。
論文 参考訳（メタデータ） (2026-01-26T14:50:16Z) - Learning Shrinks the Hard Tail: Training-Dependent Inference Scaling in a Solvable Linear Model [2.7074235008521246]
ニューラルネットワークのスケーリング法則を最終層微細チューニングの解法モデルで解析する。
学習がエラー分布の「ハードテール」を小さくすることを示す。
論文 参考訳（メタデータ） (2026-01-07T10:00:17Z) - The Measure of Deception: An Analysis of Data Forging in Machine Unlearning [2.141079906482723]
アンラーニングを検証する上で重要な課題は鍛造である。
未学習を検証する上で重要な課題は、ターゲットポイントの境界を模倣するデータを偽造し、逆向きに作成することだ。
敵の鍛造は基本的に限定的であり, 偽の未学習クレームは原則として検出可能であることを示す。
論文 参考訳（メタデータ） (2025-09-06T23:44:05Z) - Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。
我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。
NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
論文 参考訳（メタデータ） (2025-03-23T10:52:36Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z)
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。