論文の概要: When Does Task-Aware Imputation Matter? An Analysis of Robustness Under Train-Test Mismatch

• arxiv url: http://arxiv.org/abs/2610.20342v1
• Date: Wed, 14 Oct 2026 15:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.220352
• Title: When Does Task-Aware Imputation Matter? An Analysis of Robustness Under Train-Test Mismatch
• Title（参考訳）: タスク認識型インプットはいつ重要か? : 列車走行試験におけるロバスト性の分析
• Abstract要約: タスク条件の最適化問題において、欠落したエントリを変数として扱う統一フレームワークを導入する。 このフレームワークを2つの設定でインスタンス化する。トレーニング時間とテスト時間の両方でデータ不足のシナリオに対する償却アプローチと、トレーニングデータのみが不完全であるような設定に対する遅延最適化アプローチだ。
• 参考スコア（独自算出の注目度）: 2.4051181700728788
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Missing data is a pervasive challenge in machine learning, often degrading predictive performance and complicating model deployment. Most existing approaches treat imputation as a preprocessing step independent of the downstream task, a separation that becomes problematic under train-test mismatches in missingness mechanisms or rates. We introduce a unified framework that treats missing entries as variables in a task-conditioned optimization problem. We instantiate this framework in two settings: an amortized approach for scenarios with missing data at both training and test time, and a latent optimization approach for settings where only training data is incomplete. The evaluation is conducted on 98 tabular datasets, and robustness under train-test mismatches is assessed on 36 datasets. Results reveal that reconstruction error constitutes a poor proxy for predictive utility (Spearman rho approximately 0.16 to 0.32), and that task-aware imputation becomes critical in scenarios where classical methods fail to recover complete-data performance, achieving win rates of up to 80% in challenging train-test mismatch scenarios.
• Abstract（参考訳）: データ不足は機械学習における広範な課題であり、予測性能を低下させ、モデルデプロイメントを複雑にすることが多い。 既存のほとんどのアプローチは、インパルス化を、ダウンストリームタスクとは独立して前処理ステップとして扱う。 タスク条件の最適化問題において、欠落したエントリを変数として扱う統一フレームワークを導入する。 このフレームワークを2つの設定でインスタンス化する。トレーニング時間とテスト時間の両方でデータ不足のシナリオに対する償却アプローチと、トレーニングデータのみが不完全であるような設定に対する遅延最適化アプローチだ。 98の表付きデータセットで評価を行い、36のデータセットで列車試験ミスマッチ下での堅牢性を評価した。 結果から,従来の手法が完全データ性能の回復に失敗し,列車ミスマッチのシナリオにおいて最大80%の勝利率を達成できるシナリオにおいて,再構成エラーが予測ユーティリティの低速プロキシ(Spearman rho約0.16～0.32)を構成することが明らかとなった。

関連論文リスト

• Not Every Subject Should Stay: Machine Unlearning for Noisy Engagement Recognition [53.005382593686356]
  エンゲージメント認識データセットは典型的には主観的インデクシングであり、しばしば騒々しく主観的な監督を含んでいる。 本研究では、この設定を、エンゲージメント認識のためのポストホック衛生機構として、主観レベルマシンアンラーニングを通して研究する。
  論文  参考訳（メタデータ） (2026-05-06T10:03:06Z)
• Effective Data Pruning through Score Extrapolation [40.61665742457229]
  少数のデータのみをトレーニングする必要のある,新たな重要スコア外挿フレームワークを導入する。 このフレームワークでは,この最小限のサブセットから学習したパターンを用いて,データセット全体のサンプル重要度を正確に予測する2つの初期アプローチを提案する。 以上の結果から,スコアの補間は,プルーニングやデータ属性,その他のタスクなど,高価なスコア計算手法をスケールする上で有望な方向であることが示唆された。
  論文  参考訳（メタデータ） (2025-06-10T17:38:49Z)
• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Still More Shades of Null: An Evaluation Suite for Responsible Missing Value Imputation [7.620967781722717]
  本稿では,有意な値計算を行うための評価スイートであるShades-of-Nullを紹介する。 我々はShades-of-Nullを使って29,736の実験パイプラインを含む大規模な実験を行った。
  論文  参考訳（メタデータ） (2024-09-11T17:58:39Z)
• Early-Stage Anomaly Detection: A Study of Model Performance on Complete vs. Partial Flows [0.0]
  本研究では,部分フロー情報と完全フロー情報の臨界レンズによるネットワークセキュリティ脅威検出における機械学習モデルの有効性について検討した。 標準ベンチマークモデルであるランダムフォレスト(Random Forest)が、様々なトレーニングおよびテスト条件下でどのように機能するかを評価する。
  論文  参考訳（メタデータ） (2024-07-03T07:14:25Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Uncertainty Estimation for Language Reward Models [5.33024001730262]
  言語モデルは、テキストコーパスの教師なしトレーニングからさまざまな能力を学ぶことができる。 人間がラベル付きデータを提供するよりも選択肢を選択する方が簡単であり、事前の作業はそのような選好比較から報酬モデルをトレーニングすることで最先端のパフォーマンスを達成した。 能動的学習とリスク-逆強化学習を用いてサンプル効率とロバスト性を向上させる不確実性推定によるこれらの問題に対処することを模索する。
  論文  参考訳（メタデータ） (2022-03-14T20:13:21Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)

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。