論文の概要: Groups Don't Move as One: A Bregman Clustering View of Linearized Group Influence

• arxiv url: http://arxiv.org/abs/2610.14809v1
• Date: Sat, 10 Oct 2026 11:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:39:13.45151
• Title: Groups Don't Move as One: A Bregman Clustering View of Linearized Group Influence
• Title（参考訳）: 群は1つとして動くべきではない: 線形化群の影響のブレグマンクラスタリング的視点
• Abstract要約: グループにとって、標準の1次推定は、メンバー間の実質的な違いを隠蔽できる和への個々の貢献を減らす。 線形化群影響対象のブレグマン・セントロイドの定式化を確立し、省略する変動を定量化する。 実験では、クラスタ固有の影響パターンと、ターゲット固有のBIと近似誤差の正の関係を明らかにする。
• 参考スコア（独自算出の注目度）: 9.976109496131533
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Influence functions provide an efficient alternative to retraining for assessing the effects of removing or reweighting training data. For groups, however, the standard first-order estimate reduces individual contributions to a sum that can conceal substantial differences among members, including opposing effects that cancel. We establish a Bregman centroid formulation of the linearized group influence objective, interpreting this aggregate as a single representative and using Bregman information (BI) to quantify the variation it omits. Extending this formulation to multiple clusters reveals distinct contributions whose sum recovers the original estimate. We further propose an estimator that jointly optimizes the weights of these cluster contributions, rather than simply summing them. Experiments uncover cluster-specific influence patterns and a positive association between target-specific BI and approximation error. The proposed estimator achieves higher $R^2$ than standard group influence in predicting target changes under the nonlinear proximal Bregman response function. Simplified clustering and correction variants reduce computational cost. The centroid view thus explains what additive group influence leaves out and provides a basis for using that information to improve estimation.
• Abstract（参考訳）: 影響関数は、トレーニングデータの削除または再重み付けの効果を評価するための、リトレーニングの効率的な代替手段を提供する。 しかし、グループにとって、標準の1次推定は、メンバー間の実質的な違いを隠蔽できる和への個々の貢献を減らす。 線形化群影響対象のブレグマン・セントロイドの定式化を確立し、この集合を単一の代表として解釈し、ブレグマン情報(BI)を用いて省略する変動を定量化する。 この定式化を複数のクラスタに拡張すると、元の見積もりを復元する別の寄与が明らかになる。 さらに,これらのクラスタのコントリビューションの重み付けを単純にまとめるのではなく,共同で最適化する推定器を提案する。 実験では、クラスタ固有の影響パターンと、ターゲット固有のBIと近似誤差の正の関係を明らかにする。 提案した推定器は, 非線形近位ブレグマン応答関数の下での目標変化の予測において, 標準群よりも高いR^2$を達成する。 クラスタリングと修正の単純化により、計算コストが削減される。 これにより、Centroidビューは、付加的なグループの影響が残されていることを説明し、その情報を使用して見積もりを改善するための基盤を提供する。

関連論文リスト

• Revisiting Reinforcement Learning with Verifiable Rewards from a Contrastive Perspective [10.958642517467721]
  RLVRにおけるコントラストシーケンスレベルのポリシー最適化のためのフレームワークを提案する。 ConSPOはGRPOのクリップされた比率ベースのスコアを、長さ正規化されたシーケンスログ確率に置き換える。 ConSPOは、挑戦的な数学的推論ベンチマークにおいて、いくつかの強力なRLVRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-05-13T04:02:36Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• Group-Level Data Selection for Efficient Pretraining [49.18903821780051]
  Group-MATESは、言語モデル事前訓練の速度品質フロンティアを最適化する効率的なグループレベルのデータ選択手法である。 Group-MATESは、リレーショナルデータの影響モデルを用いてコストの高いグループレベルの選択をパラメータ化する。
  論文  参考訳（メタデータ） (2025-02-20T16:34:46Z)
• Sparse-group boosting -- Unbiased group and variable selection [0.0]
  群内空間と群間空間は混合パラメータによって制御可能であることを示す。 シミュレーション,遺伝子データおよび農業データを用いて,この推定装置の有効性と予測的競争性を示す。
  論文  参考訳（メタデータ） (2022-06-13T17:44:16Z)
• Feature Grouping and Sparse Principal Component Analysis [23.657672812296518]
  Grouping and Sparse principal Analysis (SPCA) はデータ処理次元の削減に広く利用されている。 FGSPCAは、荷重が不均一な同種群に属することを許容し、空間性は特別な場合である。
  論文  参考訳（メタデータ） (2021-06-25T15:08:39Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)
• GroupifyVAE: from Group-based Definition to VAE-based Unsupervised Representation Disentanglement [91.9003001845855]
  他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。 グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。 提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
  論文  参考訳（メタデータ） (2021-02-20T09:49:51Z)
• Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
  摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。 我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。 我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
  論文  参考訳（メタデータ） (2020-06-10T22:32:52Z)

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。