論文の概要: Certifying Distributionally Robust Decisions from Projection Observations

• arxiv url: http://arxiv.org/abs/2610.34493v1
• Date: Sun, 25 Oct 2026 18:37:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.624591
• Title: Certifying Distributionally Robust Decisions from Projection Observations
• Title（参考訳）: 投影観測による分布ロバスト判定
• Abstract要約: 固定平均+標準偏差目標を用いた有限ガウス射影実験について検討する。 我々は、未確認のリスク値にもかかわらず、そのセット全体で同意する決定を示す。 我々は,不整合な最適性を持つモデルの健全性,不整合性を証明し,固定チェックポイント認証の保証を行う。
• 参考スコア（独自算出の注目度）: 0.5228101935101475
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A scalar measurement can determine a robust decision without identifying the latent covariance or every decision risk. We study finite Gaussian projection experiments with a fixed mean-plus-standard-deviation target. The observation laws define a set of indistinguishable moment models. We exhibit decisions that agree throughout that set despite unidentified risk values, and give a confidence-set certificate that returns a decision or an unresolved outcome. We prove soundness, necessary abstention for indistinguishable models with incompatible optima, and a fixed-checkpoint certification guarantee. A scalar profile reduces nonlinear risk comparisons to convex inner problems. Across seven synthetic instances, jointly calibrated moment regions give sufficient budgets 21 to 52 times explicit expected-sample information lower bounds. Separately measured stopping times are lower, with zero decision errors in 1,900 simulated streams. These comparisons do not constitute matching bounds, and the guarantees require Gaussian replication.
• Abstract（参考訳）: スカラー測定は、潜在する共分散やすべての決定リスクを特定することなく、堅牢な決定を決定することができる。 固定平均+標準偏差目標を用いた有限ガウス射影実験について検討する。 観測法則は、区別できないモーメントモデルの集合を定義する。 我々は、未確認のリスク値にもかかわらず、そのセット全体で一致した決定を示し、決定または未解決の結果を返す信頼セット証明書を与えます。 我々は,不整合な最適性を持つモデルの健全性,不整合性を証明し,不整合性を保証した。 スカラープロファイルは、凸内問題に対する非線形リスク比較を減少させる。 7つの合成インスタンスにまたがって、共同校正モーメント領域は、十分な予算を21〜52倍の明示的なサンプル情報の低いバウンダリを与える。 別々に測定された停止時間は低く、決定誤差は1,900のシミュレートストリームでゼロである。 これらの比較は一致する境界を構成しておらず、保証にはガウスの複製が必要である。

関連論文リスト

• Finite-sample certification of coverage regret for budgeted document selection under adaptive stratified auditing [0.0]
  このカバレッジの後悔に対して、有限サンプル、分布自由な高信頼境界を構築します。 パイロットステージは、文書セット、競合をスクリーンし、比較ネットワークを構築し、アノテーションポリシーを学ぶことができる。 シミュレーション研究は、妥当性を確認し、分散キャリブレーションと認定冗長性から得られる利得を定量化する。
  論文  参考訳（メタデータ） (2026-10-13T21:17:34Z)
• Adaptive Robust Confidence Sets in High Dimensions [60.353542776481596]
  本研究では,不確実性を同時に定量化することにより,情報理論的に最適な適応信頼セットを構築することができることを示す。 統計的には最適であるが、この構成は計算的に不可能である。
  論文  参考訳（メタデータ） (2026-10-11T16:00:46Z)
• Mixed-Prior Decision Risk for Open-Set Recognition [0.0]
  オープンセット認識では、プローブは既知のギャラリークラスの1つとして特定するか、不明として拒否されなければならない。 提案するMPRiskは,選択した決定に関連するエラーイベントを直接スコアする混合事前決定リスクスコアである。 検証セットに調整された4つの非負重みは、ランク付けに十分であり、非線形教師付きモデルを必要としない。
  論文  参考訳（メタデータ） (2026-09-28T12:40:19Z)
• Asymptotic Risk Calibration for Selective Question Answering [0.0]
  大規模言語モデル(LLM)は、流動性があるが誤った答えを生成する。 A-CRC-QAは不確実性を考慮した質問応答のためのポストホックキャリブレーションフレームワークである。 A-CRC-QAはモデルに依存しず、追加のトレーニングを必要とせず、異なる不確実性推定器と組み合わせることができる。
  論文  参考訳（メタデータ） (2026-08-12T12:45:45Z)
• ConformaDecompose: Explaining Uncertainty via Calibration Localization [0.26385121748044166]
  Conformal Predictionは、保証されたカバレッジを備えた、配布不要な予測間隔を提供する。 単一のグローバルキャリブレーションしきい値への依存は、インスタンスレベルでの不確実性の原因を曖昧にする。 キャリブレーションによる不確実性の再現性を分析する不確実性を考慮した説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-29T19:58:15Z)
• Unified Precision-Guaranteed Stopping Rules for Contextual Learning [8.604741134620559]
  文脈学習は、個人の特徴をデータ収集を通じて行動にマッピングする決定ポリシーを学習しようとする。 本研究は,文脈的基準と政策価値基準の総合的基準の2つの精度基準の下で検討する。 我々は、未知のサンプリング分散を伴う文脈学習のための統一的な停止規則を、非構造化と構造化の両方の線形設定で開発する。
  論文  参考訳（メタデータ） (2026-04-09T07:30:15Z)
• LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
  大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。 我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。 本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
  論文  参考訳（メタデータ） (2025-12-01T11:27:09Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)

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。