論文の概要: Rethinking Data Augmentation under Covariate Shift: Invariant-Guided Diffusion and Prototype Reweighting

• arxiv url: http://arxiv.org/abs/2610.00873v1
• Date: Thu, 01 Oct 2026 00:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.834113
• Title: Rethinking Data Augmentation under Covariate Shift: Invariant-Guided Diffusion and Prototype Reweighting
• Title（参考訳）: 共変量シフトによるデータ拡張の再考:不変誘導拡散とプロトタイプ再重み付け
• Abstract要約: 我々は,孤立点ではなく構造クラスタによるサンプル信頼性を評価するプロトタイプベースのリウェイト手法を開発した。 本手法は,ロバスト学習に最も有用なデータを増やすことにより,データ品質を向上させる。
• 参考スコア（独自算出の注目度）: 48.25268129930951
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many industrial applications, 1) tabular data is scarce and imbalanced and thus requires synthetic expansion; 2) input distributions drift between training and deployment (covariate shift); 3) validation sets often diverge from unseen test environments; or 4) standard generative models simply mimic outdated source distributions. This learning setting limits the stability of standard augmentation and adaptation pipelines. We generalize the task under such setting as the Augmented and Weighted Learning under Covariate Shift problem (AWL-CS). AWL-CS imposes two critical challenges on existing methods: 1) misleading generative guidance where models optimize for source similarity rather than downstream task relevance, and 2) structural instability of distributional density where reweighting mechanisms overfit to noisy validation signals. To tackle these challenges, we propose IGDPR (Invariant-Guided Diffusion with Prototype Reweighting), a unified framework that synergizes stable synthesis and structural adaptation: i) To achieve task-relevant generation, we steer the diffusion sampling process using invariant potentials to ensure synthetic samples align with stable decision boundaries rather than outdated correlations. ii) To ensure stable adaptation, we develop a prototype-based reweighting strategy that assesses sample reliability through structural clusters instead of isolated points, effectively filtering validation noise. Extensive experiments on real data demonstrate our method improves data quality by augmenting the most beneficial data for robust learning.
• Abstract（参考訳）: 産業用途が多い。 1)表データの不足と不均衡のため,合成拡張が必要である。 2 訓練から展開までの入力分布(変量シフト) 3)検証セットは、しばしば目に見えないテスト環境から分岐する。 4) 標準生成モデルは、単に時代遅れのソース分布を模倣する。 この学習環境は、標準拡張および適応パイプラインの安定性を制限する。 本稿では,AWL-CS (Augmented and Weighted Learning) のような条件下でのタスクを一般化する。 AWL-CSは既存の方法に2つの重要な課題を課している。 1)下流タスク関連性よりもソース類似性に最適化したモデルによるミスリードジェネレーションガイダンス 2) 再重み付け機構が雑音性検証信号に過度に適合する分布密度の構造不安定性。 これらの課題に対処するために、安定な合成と構造的適応を相乗化するための統合フレームワークであるIGDPR(Invariant-Guided Diffusion with Prototype Reweighting)を提案する。 一 課題関連生成を達成するため、不変電位を用いた拡散サンプリングプロセスを実施し、時代遅れの相関ではなく、安定な決定境界と合成サンプルの整合性を確保する。 二 安定した適応を確保するため、分離された点ではなく、構造的クラスタを通してサンプルの信頼性を評価するプロトタイプベースの再重み付け戦略を開発し、有効に検証ノイズをフィルタリングする。 実データに対する大規模な実験は、ロバストな学習のために最も有益なデータを増やすことで、我々の手法がデータ品質を改善することを示す。

関連論文リスト

• Precise: SDE-Consistent Stochastic Sampling for RL Post-Training of Flow-Matching Models [56.67321805551389]
  Reinforcement Learning (RL) は, 拡散・流れマッチングジェネレータにおいて, 迅速なアライメントと知覚品質の向上に有効な方法となっている。 探索行動の制御と力学のデノベーションを行うサンプルは、この方針の一部である。 有効探査と安定性のバランスをとる新しいサンプリング器を提案する。
  論文  参考訳（メタデータ） (2026-05-22T11:37:22Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• ROTI-GCV: Generalized Cross-Validation for right-ROTationally Invariant Data [5.830619388189558]
  高次元正規化回帰における2つの重要なタスクは、正確な予測のために正規化強度を調整し、サンプル外リスクを推定することである。 問題のある条件下でクロスバリデーションを確実に行うための新しいフレームワーク ROTI-GCV を導入する。
  論文  参考訳（メタデータ） (2024-06-17T15:50:00Z)
• Generalized Robust Test-Time Adaptation in Continuous Dynamic Scenarios [18.527640606971563]
  テスト時間適応(TTA)は、未ラベルのテストデータストリームのみを使用する推論フェーズにおいて、事前訓練されたモデルに分散をテストする。 本稿では,問題に効果的に対応する汎用ロバストテスト時間適応(GRoTTA)法を提案する。
  論文  参考訳（メタデータ） (2023-10-07T07:13:49Z)

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。