論文の概要: BRIDGE: An Acceptance Gate to Block False Improvements in Model Updates, with a Retrospective Clinical Evaluation
- arxiv url: http://arxiv.org/abs/2610.29515v1
- Date: Wed, 21 Oct 2026 10:04:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 09:50:43.24259
- Title: BRIDGE: An Acceptance Gate to Block False Improvements in Model Updates, with a Retrospective Clinical Evaluation
- Title（参考訳）: BRIDGE: モデル更新における偽改善を阻止するアクセプタンスゲート : 臨床的検討
- Abstract要約: ナイーブルールは、すべての肯定的なバリデーションゲインを受け入れ、同じデータが選択して更新した場合には楽観的である。
BRIDGEはモデルに依存しない受け入れゲートで、各更新を予測や利用可能なラベルから決定し、設定を固定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Models are updated repeatedly, and an update that looks better on validation data but not on new data is a false improvement that can misguide clinical decisions. The naive rule accepts every positive validation gain and is optimistic when the same data choose and judge the update. BRIDGE is a model-agnostic acceptance gate that decides each update from predictions and the available labels, with fixed settings. Each fold of the data judges the update chosen on the other folds (cross-fitting) to reduce selection bias; acceptance requires the gain's lower bootstrap bound to exceed a margin. The four settings are (A) 11 new datasets, (B) synthetic tasks, (C) 12 retrospective clinical tasks, and (D) 39 supporting datasets. The false-improvement rate falls from 19.1% (naive) to 1.1% (BRIDGE) in (A), 20.7% to 1.7% (B), 20.0% to 0% (C), and 12.5% to 0.5% (D); every 95% confidence interval of the reduction over datasets or tasks excludes zero (not over the clinical sources). An equal-size random draw from the naive acceptances contains more false improvements in (A)-(E) (post hoc, p<0.001). On the OpenML collection (E) of 14 new datasets, the false-improvement rate falls from 25.6% to 1.0%. BRIDGE removes 97% to 100% of the false improvements that the naive rule accepts, and its mean gain per deployed update is 1.8 to 3.1 times the naive rule's. The 95% upper bound on the false-improvement rate is below 5.5%: formal in (B) for independent tasks (3.56%), and conditional on the real data tested (0.33% to 5.40%).
- Abstract（参考訳）: モデルは繰り返し更新され、バリデーションデータでは改善されるが、新しいデータでは改善されないアップデートは、誤った改善であり、臨床上の決定を誤る可能性がある。
ナイーブルールは、すべての肯定的なバリデーションゲインを受け入れ、同じデータが更新を選択して判断した場合に楽観的である。
BRIDGEはモデルに依存しない受け入れゲートで、予測と利用可能なラベルから各更新を決定する。
データの各フォルダは、選択バイアスを減らすために他のフォルダ(クロスフィット)で選択された更新を判断する。
4つの設定は、(A)11の新しいデータセット、(B)合成タスク、(C)12の振り返り臨床タスク、(D)39のデータセットである。
偽改善率は (A) において 19.1% から 1.1% (BRIDGE) に、20.7% から 1.7% (B) に、20.0% から 0% (C) に、12.5% から 0.5% (D) に該当する。
A)-(E) (post hoc, p<0.001) の誤り改善を含む。
14の新しいデータセットのOpenMLコレクション(E)では、偽改善率は25.6%から1.0%に低下する。
BRIDGEは、ナイーブルールが受け入れる誤った改善の97%から100%を排除し、デプロイされた更新あたりの平均利得は、ナイーブルールの1.8倍から3.1倍である。
95%の上限は5.5%以下である: (B) for independent task (3.56%) and conditional on the real data test (0.33%から5.40%)。
関連論文リスト
- Federated Art Chase: Privacy Leakage and Data Poisoning in Federated Fine-Tuning [0.0]
フェデレートラーニング(FL)は、ユーザーデバイスに残るデータに、事前訓練された、集中的に微調整されたモデルを適用するために、ますます使われています。
再現可能なパイプラインを用いて,このアプローチのプライバシと完全性について検討する。
レポートは、参加者がIndigmaのFedMaestroオーケストレータを通じてモデルを描画、微調整、毒殺するライブセッションで終了する。
論文 参考訳（メタデータ） (2026-10-15T09:11:39Z) - RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。
予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。
コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
論文 参考訳（メタデータ） (2026-10-09T17:50:30Z) - AGO AI Quality Gate: Evidence-First Release Decisions for Retrieval-Augmented Generation [35.18016233072556]
AGO AI Quality Gateは、産業RAGアセスメントエンゲージメントにデプロイされるエビデンスファーストの品質ゲートフレームワークである。
AGOは4つの重要なコンポーネントを統合している。データ不足を処理し、エラーを明確な結果として判断する4状態決定モデルだ。
RAGBenchは、12データセットにわたる100kの注釈付きRAGトレースの公開ベンチマークである。
論文 参考訳（メタデータ） (2026-10-01T07:24:04Z) - When Adaptation Hurts: Split Sensitivity and Person-Level Negative Transfer in Federated Wearable Onboarding [0.0]
フェデレートされたウェアラブルモデルは、最終的にはソーストレーニングを欠席する人々に役立ちます。
リーク制御プロトコルを用いて,5つのウェアラブルデータセット上での6つのコアオンボーディング戦略を評価する。
適応的中核機構は、全5データセットの正平均ゲインと、平均的な平均的個人レベルの損失を2ポイント以上(pp)と組み合わせるものではない。
論文 参考訳（メタデータ） (2026-08-18T15:23:51Z) - ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking [2.2573512203799626]
本稿では,NLUを独立したツールコールとして再構成する有界神経シンボルアーキテクチャであるReacTODを提案する。
有界ReActループは反復自己補正を可能にし、MultiWOZ上のシングルパス推論よりも最大9.3ポイント精度を向上させる。
論文 参考訳（メタデータ） (2026-05-18T20:06:04Z) - When Chain-of-Thought Backfires: Evaluating Prompt Sensitivity in Medical Language Models [2.064612766965483]
MedMCQA(4,183質問)とPubMedQA(1,000質問)でMedGemma(4Bおよび27Bパラメータ)を評価する。
実験の結果,いくつかの知見が得られた。
論文 参考訳（メタデータ） (2026-03-26T23:04:20Z) - Rethinking Long-tailed Dataset Distillation: A Uni-Level Framework with Unbiased Recovery and Relabeling [105.8570596633629]
トラジェクトリに基づく手法の限界を再考することにより,長い尾のデータセット蒸留を再考する。
統計的アライメントの観点からバイアスをモデル化し、公正な監督を復元する。
提案手法は,CIFAR-100-LTで15.6%,Tiny-ImageNet-LTで11.8%向上する。
論文 参考訳（メタデータ） (2025-11-24T07:57:01Z) - Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。
UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
論文 参考訳（メタデータ） (2025-03-13T02:21:04Z) - Patch-Level Contrasting without Patch Correspondence for Accurate and
Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。
提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2023-06-23T07:38:09Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:05:36Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z)
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。