論文の概要: What Can a Gaussian Process Design Test

• arxiv url: http://arxiv.org/abs/2610.10122v1
• Date: Wed, 07 Oct 2026 14:05:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.951582
• Title: What Can a Gaussian Process Design Test
• Title（参考訳）: ガウス的プロセス設計テストに何ができるか
• Abstract要約: ガウス過程(GP)モデルは2つの理由からデータに一致する。 応答が観察される前に、その区別を設計から確認することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A Gaussian process (GP) model can agree with the data for two reasons: its assumptions are right, or the chosen inputs could never have shown that they are wrong. The distinction can be checked from the design before any responses are observed. Every model implies relations that its noiseless responses must satisfy at the chosen inputs, such as the middle value lies on the line through its two neighbours. For GPs built from finitely many features, these relations are exactly the null space of the kernel matrix. Gale duality gives them a geometric interpretation, in which each observation has a vector and the smallest groups of observations that can expose an error are the circuits. For other kernels the relations become soft: response patterns may be improbable under the prior rather than algebraically impossible. A standard test then combines two kinds of evidence. Structural evidence comes from a violated relation and grows without limit as the noise falls. Prior-based evidence only says that a departure is improbable under the prior. With all inputs at the two ends of an interval, for example, a GP can reject a straight line against a large curvature, but only because the implied intercept is improbable, never because curvature was seen. In simulations the predicted power matched the observed rejection rates. Choosing the next input by predicted power raised the power against a localised discrepancy from 0.48 to 0.72, against 0.51 when choosing by predictive variance, and a grid in two dimensions contained exact tests of additivity that a Latin hypercube lacked. The test itself is classical. The contribution is the prospective reading of that test: before observing the responses, the design already determines what kind of contradiction it can produce.
• Abstract（参考訳）: ガウス過程(GP)モデルは、その仮定が正しいか、選択された入力がそれらが間違っていることを示さなかったかの2つの理由から、データに一致する。 応答が観察される前に、その区別を設計から確認することができる。 すべてのモデルは、そのノイズレス応答が選択された入力で満たさなければならない関係を示唆する。 有限個の特徴から構築された GP に対して、これらの関係はまさにカーネル行列の零空間である。 ガレ双対性は幾何学的解釈を与え、各観測はベクトルを持ち、誤差を露呈できる最小の観測群は回路である。 他のカーネルでは、応答パターンは代数的に不可能ではなく、前者の下では不可能である。 標準的なテストでは、2種類の証拠が組み合わされる。 構造的証拠は、破れた関係から生まれ、ノイズが落ちるにつれて制限なく成長する。 先述の証拠は、出発が前者の下では不可能であることを示すのみである。 例えば、すべての入力が間隔の2端にある場合、GPは大きな曲率に対して直線を拒絶することができるが、インプリッド・インターセプトは不動であるためであり、曲率を見ることができない。 シミュレーションでは、予測されたパワーは観測された拒絶率と一致した。 予測パワーで次の入力を選択すると、局所的な不一致に対して0.48から0.72に、予測分散によって選択すると0.51に、そして2次元の格子にはラテンハイパーキューブが欠落した正確な加法的テストが含まれていた。 テスト自体は古典的です。 反応を観察する前に、設計が生成できる矛盾の種類をすでに決定しています。

関連論文リスト

• Two-Sample Testing via Generative Processes [60.42943145582429]
  生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。 2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。 したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
  論文  参考訳（メタデータ） (2026-10-06T12:48:27Z)
• How to Verify Consistency of Probabilistic Claims [49.47758039235095]
  予測モデルの一貫性を証明するために,対話型PCPを構築する。 添加音の小さなギャップがBへの依存を除去することを示す。 我々は,対話型PCPを,自身の一貫性を証明するための予測モデルに向けた第一歩だと考えている。
  論文  参考訳（メタデータ） (2026-08-11T17:41:39Z)
• When and Why Do Linear Bias Probes Fail? A Geometric and Statistical Theory of Bias Detectability in Large Language Model Representations [1.7545090618311434]
  線形探索は、大きな言語モデルにおける社会的バイアスを検出する標準的な手段である。 しかし、報告された調査のアキュラシーは、ほとんど事実評価から来ている。 私たちはこの曖昧さを解決する理論を発展させる。
  論文  参考訳（メタデータ） (2026-07-21T06:53:19Z)
• WorldKernel: A World Model is the Coupling Kernel of Admissible Possible Worlds [0.0]
  一般的な仮定は、十分な観測データと介入データがあり、十分強力な予測器に与えられる、というものである。 数百もの構造因果モデルにおいて、特定量において強い予測器とベイズ基底線が成功している。 しかし、特定されていない量では、強い予測器が一点に崩壊し、真理は許容可能な間隔であり、より多くのデータが狭くなることはない。
  論文  参考訳（メタデータ） (2026-06-09T14:44:52Z)
• Decoding Answers Before Chain-of-Thought: Evidence from Pre-CoT Probes and Activation Steering [5.427346259545067]
  CoT(Chain-of- Thought)は、大規模言語モデルにおける推論機能のスケーリングの中心となっている。 命令調整モデルがCoTを生成する前に解答を決定する場合が多いことを示す。
  論文  参考訳（メタデータ） (2026-03-02T04:33:55Z)
• Response: Commentary: Is the moon there if nobody looks? Bell inequalities and physical reality [0.0]
  Gill と Lambare はこの記事の内容と結論を完全に誤解している。 彼らのモデルはベルテストの生データのみを記述するモデルに対して確率的結合を定義する。 我々のモデルは統計的独立に反するため、不平等は導出できない。
  論文  参考訳（メタデータ） (2023-02-16T03:52:27Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• A Weaker Faithfulness Assumption based on Triple Interactions [89.59955143854556]
  より弱い仮定として, 2$-adjacency faithfulness を提案します。 より弱い仮定の下で適用可能な因果発見のための音方向規則を提案する。
  論文  参考訳（メタデータ） (2020-10-27T13:04:08Z)

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。