論文の概要: Measuring Learned Monotone Temporal Aggregation at Matched Admissibility

• arxiv url: http://arxiv.org/abs/2610.05196v1
• Date: Sun, 04 Oct 2026 13:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.442698
• Title: Measuring Learned Monotone Temporal Aggregation at Matched Admissibility
• Title（参考訳）: 一致した許容度における学習したモノトーン時間的凝集度の測定
• Abstract要約: リスクレギュレーションはスコアに方向性の制約を課します。 配置されたパイプライン -- 手作りのモノトーンアグリゲーション -- は、すでに構成によってそれを満足している。 代わりに、私たちは、両方の側面に固定された許容性を保持し、アグリゲーションの価値を何を学ぶかを測定します。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Risk regulation imposes directional constraints on scores; we adopt their strict per-input form -- the score monotone non-decreasing in every exposure input -- as a normative commitment. Deployed pipelines -- monotone hand-crafted aggregates feeding sign-constrained gradient boosting -- already satisfy it by composition, so constrained-versus-unconstrained comparisons price a guarantee the incumbent has for free. We instead hold admissibility fixed on both sides and measure what learning the aggregation is worth. Our instrument is a recurrent network whose state is classical risk statistics (an exponentially weighted moving average and a high-water mark with learned transforms), monotone by construction in every input and per MC-dropout sample. The central finding, by functional regression, is a subsumption boundary: a learned monotone channel reproduces the geometrically weighted separable family of hand-crafted statistics, one channel per member, to Spearman $ρ\ge 0.996$, approximates window statistics with measurable ceilings, and fails at consecutivity ($ρ= 0.924$) and time localization (0.628), both structural, and at the exposure floor (0.829), a learnability boundary. One explicit admissible basis repairs each failure (rank correlation 1.000). In or near the separable family, learned and engineered aggregation are substitutes, and the learned channel is never statistically behind at full sample size and specified capacity. Its advantages are incumbent-specific: a committed grid pays up to 0.019 AUC in decay regions it leaves uncovered (the learned channel stays within 0.004 of the strongest engineered consumer at every swept point); the highest-dimensional comparator degrades fastest with scarce data; and beyond the training support, grid-fed tree-ensemble scores go flat while a strictly increasing head keeps ranking. No single incumbent is dominated on all three axes.
• Abstract（参考訳）: リスク規制は、スコアに方向性の制約を課します。我々は、厳格なインプット形式 -- 基準的コミットメントとして、各露出インプットにおけるスコアモノトーン非減少 -- を採用しています。デプロイされたパイプライン -- 手作りのモノトーン集約 -- サイン-制約された勾配の上昇を刺激するモノトーンによる集約 -- は、すでに構成によってそれを満足しているので、制約された逆制約のない比較は、既存のインプットが無償で持つ保証を価格に設定します。 代わりに、私たちは、両方の側面に固定された許容性を保持し、アグリゲーションの価値を何を学ぶかを測定します。 本装置は,古典的リスク統計(指数的に重み付けされた移動平均値と学習された変換を持つハイウォーターマーク)であるリカレントネットワークである。 学習された単調チャネルは、幾何学的に重み付けされた手作り統計の分類可能なファミリーを1つのチャンネルで再現し、Spearman $ρ\ge 0.996$に、窓の統計を測定可能な天井と近似し、連続性(ρ=0.924$)と時間局在(0.628)で失敗する。 1つの明示的な許容可能な基底は、それぞれの障害を修復する(ランク相関1.000)。 分離可能な家族の近辺では、学習およびエンジニアリングされた集約が代用され、学習されたチャネルは、完全なサンプルサイズと特定容量で統計的に遅れることはない。 コミットされたグリッドは、未発見の領域で最大0.019AUCを支払う(学習されたチャネルは、各最強のエンジニアの0.004に留まる)。 3つの軸に1つの存在が支配されることはない。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Self-Supervised Topologically Invariant Manifold Learning for Railway Image Quality Assessment [20.081901964453074]
  既存のブラインド画像品質評価法(BIQA)は、実世界の領域における一般化を制限する合成主観的アノテーションに依存している。 境界制約下での位相不変多様体学習に基づく完全自己教師付きBIQAフレームワークを提案する。 我々のフレームワークは標準の合成およびワイルドベンチマークで優れたゼロショット転送性を確保できることを示す。
  論文  参考訳（メタデータ） (2026-08-15T13:08:06Z)
• Strength-Parity Ensembling with Parameter-Isolated Experts for Multi-Task Affect Recognition [4.4644619064521995]
  私たちは2つの感情管理バックボーンにまたがって、行方不明のラベルをマージする共有感情ラテントを構築します。 加算部材がアンサンブル誤差を減少させるのは、現在部材と非相関であり、その近ピアである場合に限る。 その結果、全体の検証スコアは1.6949まで上昇し、主催者のNeXt-with-Mixmentベースラインは0.45である。
  論文  参考訳（メタデータ） (2026-07-12T17:12:15Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Stochastic Estimation of the Layer-wise Hessian Trace for Monitoring Neural-network Training [45.88028371034407]
  本稿では,ニューラルネットワークの経験的リスクであるヘッセン行列の対角ブロックの軌跡のパラメータ推定器を提案する。 この手順はハッチンソントレース推定器とパラメータベクトル全体の上の1つのヘッセンベクトル積を組み合わせたものである。 重み分担の下での正しさは,第2次微分の前に階層的にヘッセンを組み立てる必要があることを示す。
  論文  参考訳（メタデータ） (2026-05-25T10:24:32Z)
• Learning from N-Tuple Data with M Positive Instances: Unbiased Risk Estimation and Theoretical Guarantees [33.15955234458642]
  弱教師付き学習はしばしばラベルよりも粗い集約信号で機能する。 学習可能な未バイアスリスク推定器 (URE) をインスタンス生成プロセスと潜在限界値にリンクすることで, カウントが許容できることを示す。 我々は,理論上は基礎的かつ事実上安定的な目標設定によって,カウントオンリーの監視を効果的に活用できることを実証した。
  論文  参考訳（メタデータ） (2025-10-21T08:28:07Z)
• Log-Likelihood Ratio Minimizing Flows: Towards Robust and Quantifiable Neural Distribution Alignment [52.02794488304448]
  そこで本研究では,対数様比統計量と正規化フローに基づく新しい分布アライメント手法を提案する。 入力領域の局所構造を保存する領域アライメントにおいて,結果の最小化を実験的に検証する。
  論文  参考訳（メタデータ） (2020-03-26T22:10:04Z)

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。