論文の概要: Latent-Space Importance Weighting under Covariate Shift

• arxiv url: http://arxiv.org/abs/2610.15571v1
• Date: Sun, 11 Oct 2026 12:33:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 17:49:02.956253
• Title: Latent-Space Importance Weighting under Covariate Shift
• Title（参考訳）: 共変量シフト下における潜時空間重み付け
• Abstract要約: 我々のアプローチの重要な特徴は、モデリングに低次元の潜在空間を使用することである。 本手法は,下流重み付き予測のための学習済み潜時特徴量の密度比を推定する。 シミュレーションと実世界のデータセットの実験は、学習された表現と潜在重み付けを組み合わせることで得られる成果を示している。
• 参考スコア（独自算出の注目度）: 21.545324145624406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a transfer learning algorithm for covariate shift, integrating sample reweighting with representation learning. A key feature of our approach is the use of a lower-dimensional latent space for modeling, in contrast to conventional methods that operate directly in the high-dimensional ambient space. Our method estimates the density ratio of learned latent features for downstream weighted prediction. We establish explicit target-domain excess-risk rates with independent data folds for strictly sufficient learned representations with regular learned-space prediction scores and density ratios. We give dimension comparisons under stated smoothness conditions and a variance comparison for true weights and a fixed predictor. General finite-sample inequalities retain representation-quality errors. Experiments on simulated and real-world datasets demonstrate gains from combining learned representations and latent weighting, and reveal sensitivity to initialization and domain choice.
• Abstract（参考訳）: 本研究では,共変量シフトのための移動学習アルゴリズムを提案し,サンプル再重み付けと表現学習を統合する。 提案手法の重要な特徴は,高次元空間内で直接動作する従来の手法とは対照的に,低次元の潜在空間をモデリングに用いることである。 本手法は,下流重み付き予測のための学習済み潜時特徴量の密度比を推定する。 我々は、正規の学習空間予測スコアと密度比を持つ厳密な学習表現のために、独立データフォールドを用いた明示的な目標領域過剰リスク率を確立する。 我々は, 平滑性条件下での次元比較と, 真の重みと固定予測器の分散比較を行う。 一般的な有限サンプル不等式は表現品質の誤差を保持する。 シミュレーションおよび実世界のデータセットの実験は、学習された表現と潜在重み付けを組み合わせることで得られる利益を示し、初期化に対する感受性とドメイン選択を明らかにする。

関連論文リスト

• Discrete Action Matching: Learning Stochastic Dynamics from Samples via State Graphs [57.50632332726287]
  離散ワッサーシュタイン幾何に基づく有限状態のアクションマッチングを導入する。 所定の限界経路と輸送形状について、正準最小運動エネルギー電流に対する作用最小化の目的を導出する。 経験的なスナップショットとともに、DAMはまずこれらの比率を推定し、次にアクションポテンシャルを学習する。
  論文  参考訳（メタデータ） (2026-10-04T09:13:33Z)
• Nonparametric Identification and Inference for Counterfactual Distributions with Confounding [6.997978440999076]
  本研究では,非パラメトリック同定と半パラメトリック推定法を提案する。 古典的半パラメトリック理論を現代的な表現学習でブリッジすることで、この研究は複雑な因果系における分布的および反ファクト的推論の頑健な統計基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-17T05:00:13Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Aggregation Weighting of Federated Learning via Generalization Bound Estimation [65.8630966842025]
  フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。 上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
  論文  参考訳（メタデータ） (2023-11-10T08:50:28Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
  動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。 後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
  論文  参考訳（メタデータ） (2022-09-29T22:10:42Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Robust Correction of Sampling Bias Using Cumulative Distribution Functions [19.551668880584973]
  変数ドメインとバイアス付きデータセットは、トレーニングとターゲット分布の違いにつながる可能性がある。 これを緩和するための現在のアプローチは、しばしばトレーニングとターゲット確率密度関数の比率を推定することに依存する。
  論文  参考訳（メタデータ） (2020-10-23T22:13:00Z)

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。