論文の概要: Partial-Revelation Panel Forecasting: Predictive Information Gain, Allocation, and Coarsening-Consistent Operators
- arxiv url: http://arxiv.org/abs/2610.22831v1
- Date: Fri, 16 Oct 2026 02:18:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.733101
- Title: Partial-Revelation Panel Forecasting: Predictive Information Gain, Allocation, and Coarsening-Consistent Operators
- Title（参考訳）: 部分Revlation Panel予測:予測情報ゲイン,アロケーション,粗い一貫性演算子
- Abstract要約: 前のダイアログターンで$k$$$n$ annotator 票が与えられると、次のターンのパネルの総数分布を予測する。
我々は、閉形式のディリクレ・マルチノミカルな実現、学習完了、レーダ数移動を伴う粗い一貫性のあるパネル演算子を用いる。
- 参考スコア（独自算出の注目度）: 5.670508333821441
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study partial-revelation panel forecasting: given $k$ of $n$ annotator votes on the previous dialogue turn, predict the full count distribution of the next turn's panel. This cross-turn predictive information differs from same-item annotation value. Under any nested revelation mechanism, the population decrement satisfies $V(k)-V(k+1)=I(Y;R_{k+1}\mid X_k)$; a fitted model also contributes adjacent excess-risk differences. Coarsened-completely-at-random (CCAR) masking supplies the exchangeable random-rater interpretation used in our operators. We define coarsening-consistent panel operators with a closed-form Dirichlet-multinomial realization, learned completion, and rater-count transfer. Against per-level lookup, cold-start count negative log-likelihood differences are -0.422/-0.166/-0.014 nats on IEMOCAP/M3ED/EmoWOZ. A held-out rater experiment measures same-item value: first and second additional votes reduce NLL by 0.583/0.221, 0.578/0.184, and 0.180/0.069 nats, respectively. Cross-turn and same-item gains are not interchangeable, and CCAR masks are controlled interventions rather than observed arrival processes. Consistency is auditable but does not guarantee predictive improvement; per-level marginalization can outperform a shared table. Target-free allocation beats uniform only where row-level signal is predictable: at budget one it recovers 83--93% of retrospective feature class headroom on IEMOCAP/M3ED but does not improve EmoWOZ. Gains are modest and corpus-dependent, with several small or null partial-revelation differences. Code and aggregate result artifacts accompany the preprint.
- Abstract（参考訳）: 本研究は, 部分啓示パネルの予測について検討する: 前の対話のターンで$k$$$n$のアノテータ票が与えられると, 次のターンのパネルの総数分布を予測する。
このクロスターン予測情報は、同値のアノテーション値とは異なる。
どんなネストされた啓示機構の下でも、人口減少は$V(k)-V(k+1)=I(Y;R_{k+1}\mid X_k)$を満たす。
CCAR(Coarsened-completely-at-random)マスキングは、演算子で使われる交換可能なランダムラター解釈を提供する。
我々は、閉形式のディリクレ・マルチノミカルな実現、学習完了、レーダ数移動を伴う粗い一貫性のあるパネル演算子を定義する。
IEMOCAP/M3ED/EmoWOZ上の-0.422/-0.166/-0.014ナットである。
1回目と2回目の追加投票でそれぞれ0.583/0.221、0.578/0.184、0.180/0.069ナットのNLLが減少する。
交叉と同点の利得は交換可能ではなく、CCARマスクは観測された到着過程よりも制御された介入である。
一貫性は監査可能であるが、予測的な改善は保証されていない。
予算では、IEMOCAP/M3EDのレトロスペクティブ機能クラスヘッドルームの83～93%を回復するが、EmoWOZは改善しない。
ゲインは質素でコーパスに依存しており、いくつかの小さなまたはヌルな部分相対差がある。
コードと集計結果のアーティファクトがプレプリントに付随します。
関連論文リスト
- Query-Efficient Rejection Sampling for Parallel Masked Diffusion [50.71929824286374]
マスク付き拡散モデル(MDM)は、複数のトークンを並列にアンマスクすることで生成を加速する。
データ分布とSIRS出力のKL分割はクリッピング項とモデルのトレーニング誤差によって境界づけられていることを示す。
論文 参考訳（メタデータ） (2026-10-15T17:15:52Z) - Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining [8.401473551081748]
本研究では,固定配置人口に必要となる繰り返しサンプル応答を符号化した揺らぎ制御事前訓練(FSP)を導入する。
FSPは、温かいワンスレッドベンチマークでテーブル毎の11.6Times$高速にデプロイします。
2つのランダム化されたスタディ評価は、低いRMSEが残留減衰と共存できることを示している。
論文 参考訳（メタデータ） (2026-09-22T12:03:30Z) - From Truncation to Commitment: Persistent Context in Uniform Discrete Diffusion [5.2262942936091905]
均一状態の離散拡散モデルは、すべての位置を変更可能にしながら、すべてのトークンを並列に更新する。
我々は、選択したargmaxトークンを格納し、その後のモデル入力に挿入する訓練不要なサンプルである、コミット露光サンプリング(CRS)を提案する。
論文 参考訳（メタデータ） (2026-09-01T10:43:24Z) - Mean-to-Score Discrete Diffusion: Posterior-Mean Denoisers for Score Entropy [17.48959208263029]
我々は,クリーンな後進平均を予測し,正確なカーネル依存線形写像を用いてスコアに変換するEmphmean-to-score (M2S)を導入する。
均一な汚職のために、確率的単純度をブリッジポリトープにマッピングし、吸収マスクの破損のためにMD4を正確に回収する。
論文 参考訳（メタデータ） (2026-07-23T14:37:30Z) - Saturation Makes Quantization Error Additive: A Coverage Model with a Certificate [0.0]
混合精度量子化は、モデルのどの部分がより高い精度を維持するかを決定する必要がある。
本研究は, 層単位での定量化による損失を, 層ごとの感性や, 対方向の感性から再現可能であることを示す。
本稿では, 測定値の差分プロファイルである$f(S)=cbigl (1-prod_iin S (1-a_i)bigr)$を, その$L$適合ブレークレートから数パーセント以内まで再現する。
論文 参考訳（メタデータ） (2026-07-14T02:08:33Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Optimal Unconstrained Self-Distillation in Ridge Regression: Strict Improvements, Precise Asymptotics, and One-Shot Tuning [61.07540493350384]
自己蒸留(英: Self-distillation, SD)とは、教師自身の予測と地道の混合で学生を訓練する過程である。
任意の予測リスクに対して、各正規化レベルにおいて、最適に混合された学生がリッジ教師に改善されることが示される。
本稿では,グリッド探索やサンプル分割,再構成なしに$star$を推定する一貫したワンショットチューニング手法を提案する。
論文 参考訳（メタデータ） (2026-02-19T17:21:15Z) - Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。
クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。
我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
論文 参考訳（メタデータ） (2026-02-05T14:16:47Z) - Clustered Switchback Designs for Experimentation Under Spatio-temporal Interference [44.644520116360106]
我々は, 平均治療効果 (GATE) を推定し, 全単位を常に治療やコントロールに曝露した平均結果の差を推定した。
そこで我々は,単位をクラスタにグループ化し,時間ステップをブロックにグループ化する,クラスタ化されたスイッチバック設計を提案する。
良好なクラスタリングを許容するグラフに対して, トラッピングされたHorvitz-Thompson推定器が$tilde O(1/NT)$平均二乗誤差(MSE)を達成することを示す。
我々の結果は、citethu2022switchback、ugander2013graph、citetleung2022rateの結果を同時に一般化する。
論文 参考訳（メタデータ） (2023-12-25T01:00:58Z) - Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。
本稿では,ユーザの目標が目標間隔として指定される設定について検討する。
我々は、共形予測を反転させて確率推定を計算する。
論文 参考訳（メタデータ） (2022-11-29T18:41:20Z)
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。