論文の概要: Complementary Feature Domains: Information Preservation Does Not Imply Predictive-Contribution Preservation
- arxiv url: http://arxiv.org/abs/2610.07565v1
- Date: Tue, 06 Oct 2026 00:53:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.729411
- Title: Complementary Feature Domains: Information Preservation Does Not Imply Predictive-Contribution Preservation
- Title（参考訳）: 補完的特徴領域:情報保存は予測的貢献的保存を含まない
- Abstract要約: 制限された決定族の下で予測的寄与を変化させつつ、目的情報を変更せずに、非可逆的な表現変換を行うことができることを示す。
我々は、制御されたリコーディングの下で、コンテキスト的コントリビューションがどのように変化するかを測定するCFDコントリビューション欠陥による結果の遷移を形式化する。
- 参考スコア（独自算出の注目度）: 1.1344265020822928
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Complementary Feature Domains (CFD) theory characterizes predictive value as a context-indexed contribution system induced jointly by representations and their realization family. We show that Shannon-information preservation does not imply preservation of this contribution system: an invertible representation transformation can leave target information unchanged while altering predictive contribution under a restricted decision family. We formalize the resulting transition through a CFD contribution defect that measures how contextual contributions change under controlled recoding. For bounded Lipschitz utility, we show that each coalition utility shift is bounded by the behavioral distance between the attainable action sets before and after recoding; consequently, every contextual contribution defect is bounded by the sum of the corresponding coalition incompatibilities. Exact behavioral closure yields invariance, while increasingly accurate compensation yields restoration. A controlled ECG experiment illustrates the mechanism: a nonlinear bijective recoding preserves the information in a frozen time-frequency representation but changes accuracy under a fixed affine learner; applying the exact inverse restores all tested coalition accuracies. The result separates information preservation from realization-dependent contribution and provides a quantitative transition law for multi-representation prediction.
- Abstract（参考訳）: Complementary Feature Domains (CFD) 理論は、予測値を、表現とその実現ファミリーによって共同で誘導されるコンテキストインデクシングされたコントリビューションシステムとして特徴づける。
我々は,シャノン情報の保存が,このコントリビューションシステムの保存を示唆していないことを示し,非可逆表現変換は,制限された決定族の下で予測的コントリビューションを変化させつつ,目標情報を変更せずに残すことができることを示した。
我々は、制御されたリコーディングの下で、コンテキスト的コントリビューションがどのように変化するかを測定するCFDコントリビューション欠陥による結果の遷移を形式化する。
有界リプシッツ効用について、各連立効用シフトは、復号前後の達成可能な作用集合間の挙動距離で有界であることを示し、従って、すべてのコンテクスト寄与欠陥は対応する連立不整合の和で有界となる。
厳密な行動閉鎖は不変性をもたらすが、より正確な補償は復元をもたらす。
非線形単射再符号化は凍結した時間周波数表現で情報を保存するが、固定アフィン学習者の下で精度を変化させる。
その結果、情報保存と実現依存的貢献を分離し、多表現予測のための定量的遷移則を提供する。
関連論文リスト
- Training and Inference Dynamics of PLDR-LLMs: Row-Map Collapse, Renormalization, and Predictive Reduction [0.5076419064097734]
モノグラフは、パワーロー・デコーダ表現言語モデル(PLDR-LLM)におけるトレーニングと推論の統一的な説明を開発する
厳密な有限作業恒等性は、行中心の学習マップの絶対エネルギーの変化をパラメータ寄与、署名された相互作用、数値的な観察欠陥に分解する。
実験では、オブザーバと依存を明らかにし、テストされた自律行状態候補を拒否し、有限条件予測と状態固有の演算子還元をサポートする。
論文 参考訳（メタデータ） (2026-09-28T02:08:53Z) - Federated Targeted Maximum Likelihood Estimation [15.722746871859593]
クロスサイロ学習は計算をデータに移動させ、合意された要約を交換する。
我々は2つのサイロを通して、任意の目標、損失、変動家族のためのターゲティング自体を連携させた。
FedTMLEGは、局所的な勾配を集約し、ステップの集中的なターゲティングステップを再現する。
FedTMLELは、各機関が適合した更新を単一に交換する前に、独自のゆらぎを完了させる。
論文 参考訳（メタデータ） (2026-09-24T19:43:40Z) - Intrinsic-Extrinsic Coupling in Learning Dynamics [0.0]
制約付き学習状態介入の継続条件値を用いて本質的・外生的結合を定式化する。
我々は,地域の許容度,継続条件付き介入値,完全政治性能を区別する。
論文 参考訳（メタデータ） (2026-09-24T17:30:22Z) - Revelation Control [0.0]
啓示制御(Revelation Control)は、意図された区別が連続的な決定を変更できるため、内部でのみ隠された状態を明らかにする価格設定された介入を選択する問題である。
我々はこの理論を学習システムに展開し、現在宣言されている情報に準ずる状態が将来の訓練に異なる反応をし、異なる行動を好むことができるようにした。
論文 参考訳（メタデータ） (2026-08-24T22:07:57Z) - Residual Dominance as a Structural Account of Last-Item Reliance in Causal Self-Attention Recommenders [47.8060666024071]
我々は,SASRecスタイルのモデルが,局所的な終点依存を示すことを示す。
その後、残余加算は全ブロック表現を同位置寄与に急変させる。
残留強度を変化させると、構造混合と終点依存との間のモノトニックなトレードオフが生じる。
論文 参考訳（メタデータ） (2026-08-14T07:09:58Z) - Local verification cannot detect non-transportability: a cohomological theory of context preservation in agentic reasoning [0.0]
エージェントAIシステムは、生物学的、臨床的、財務的な文脈で定期的に結論を伝達する。
局所的検証の新たなセーフガードは構造的に不完全であることを示す。
不均一な精度で歪みを定量化し、正確性を復元する精密な白紙形状を提供する。
論文 参考訳（メタデータ） (2026-08-04T21:09:50Z) - Rectified Diffusion Guidance for Conditional Generation [94.83538269086613]
CFGの背後にある理論を再検討し、不適切な組合せ係数(textiti.e.)が生成分布を期待的にシフトさせることを厳密に確認する。
提案手法は, 強みを考慮すれば, textbftextitform ソリューションが有効であることを示す。
実世界のデータに関する実証的な証拠は、我々の設計と既存の最先端拡散モデルとの整合性を実証している。
論文 参考訳（メタデータ） (2024-10-24T13:41:32Z) - PseudoNeg-MAE: Self-Supervised Point Cloud Learning using Conditional Pseudo-Negative Embeddings [55.55445978692678]
PseudoNeg-MAEは、ポイントクラウドマスマスキングオートエンコーダのグローバルな特徴表現を強化する。
本研究では,ネットワークが識別的表現を保ちながら,よりリッチな変換キューをキャプチャできる新たな損失を提案する。
論文 参考訳（メタデータ） (2024-09-24T07:57:21Z) - Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal
Approach [51.012396632595554]
不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。
最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。
本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
論文 参考訳（メタデータ） (2023-12-15T12:58:05Z) - 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) - Learning Disentangled Representations with Latent Variation
Predictability [102.4163768995288]
本稿では,潜在不整合表現の変動予測可能性について述べる。
逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。
本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
論文 参考訳（メタデータ） (2020-07-25T08:54:26Z)
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。