論文の概要: Beyond Discrepancy: Oracle Drift in Nonstationary Weighted Risk Minimization

• arxiv url: http://arxiv.org/abs/2610.13598v1
• Date: Fri, 09 Oct 2026 13:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.605032
• Title: Beyond Discrepancy: Oracle Drift in Nonstationary Weighted Risk Minimization
• Title（参考訳）: Oracleが非定常的なリスク最小化に失敗
• Abstract要約: 非定常重み付きリスク最小化における分布流の解析を行う。 ドリフト誤差をモデルクラス内の最良の予測器の動きと直接関連付ける。
• 参考スコア（独自算出の注目度）: 6.015898117103068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We analyze distributional drift in nonstationary weighted risk minimization by decomposing the excess risk into estimation, drift, and approximation components. The drift error is commonly bounded through discrepancy-type quantities that control changes of the risk over classes of predictors. We instead relate the drift error directly to the movement of the best predictor within the model class and analyze its behavior in parametrized regression models. Our analysis shows that discrepancy-type quantities can be overly conservative: unlike our oracle drift, they may scale at a larger order than the resulting excess-risk contribution and can respond to changes in the risk surface that do not affect the optimal predictor. For linear regression, we characterize this gap sharply and combine the resulting drift bounds with estimation guarantees. We further extend the analysis to nonparametric regression.
• Abstract（参考訳）: 本研究では, 余剰リスクを推定, ドリフト, 近似成分に分解することにより, 非定常重み付きリスク最小化における分布ドリフトを解析した。 ドリフトエラーは通常、予測器のクラスに対するリスクの変化を制御する不一致型量によって境界づけられる。 その代わりに、ドリフト誤差を直接モデルクラス内の最良の予測子の運動に関連付け、パラメトリズド回帰モデルでその挙動を分析する。 オラクルドリフトと異なり、これらは結果として生じる余剰リスクの寄与よりも大きくスケールし、最適予測に影響を及ぼさないリスク表面の変化に対応することができる。 線形回帰について、このギャップを鋭く特徴付け、その結果のドリフト境界と推定保証を結合する。 さらに解析を非パラメトリック回帰に拡張する。

関連論文リスト

• High-Dimensional Interpolators Can Be Fragile: Heavy Tails and High-Dimensional Large Deviations [3.540245474029962]
  大偏差法による高次元線形補間器について検討する。 まず、隆起のない回帰のリスクは、重端な振る舞いを示す可能性があることを示す。 我々はこの現象を大偏差率のレベルで定量化する。
  論文  参考訳（メタデータ） (2026-07-10T15:58:03Z)
• Fast Rates for Nonstationary Weighted Risk Minimization [6.015898117103068]
  本稿では,非定常条件下でのサンプル外予測誤差について検討する。 本稿では,過大リスクを学習項と分布ドリフトに関連する誤り項に一般化する。
  論文  参考訳（メタデータ） (2026-02-05T15:10:07Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Prediction Risk and Estimation Risk of the Ridgeless Least Squares Estimator under General Assumptions on Regression Errors [10.857775300638831]
  より一般的な回帰誤差仮定の下で予測リスクと推定リスクについて検討する。 その結果,パラメータ化の利点は時系列,パネル,グループ化データにまで拡張できることが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T10:04:20Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)
• Interpolating Predictors in High-Dimensional Factor Regression [2.1055643409860743]
  この研究は、高次元回帰モデルにおける最小ノルム補間予測子のリスクの有限サンプル特性を研究する。 主成分回帰と隆起回帰に基づいて予測器に類似したリスクを負うことができ、高次元状態においてLASSOに基づく予測器よりも改善できることを示す。
  論文  参考訳（メタデータ） (2020-02-06T22:08:36Z)

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。