論文の概要: Beyond Wasserstein Proximity: Finding Better Transfer Sources

• arxiv url: http://arxiv.org/abs/2610.35314v1
• Date: Mon, 26 Oct 2026 12:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.917827
• Title: Beyond Wasserstein Proximity: Finding Better Transfer Sources
• Title（参考訳）: Wassersteinの予測を超える: より良い転送ソースを見つける
• Abstract要約: ソースの選択は類似したデータを好むが、最も有用な事前学習ソースを特定する必要はない。 我々は、ドメイン適応理論と、ワッサーシュタイン距離が増加するにもかかわらず、より広いソース推定が向上する回帰例を通して条件付き代替案を動機付けている。 発見は、固定された歴史的なパネルの探索であり、スクリーニング分析は保存しない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source selection often favors similar data, yet marginal proximity need not identify the most useful pretraining source. We motivate a conditional alternative through domain-adaptation theory and a regression example in which broader source variation improves estimation despite increasing Wasserstein distance. We examine five-day cryptocurrency volatility using ten Binance spot assets, six forecaster families, three seeds, and shared temporal cutoffs. Selecting the three farthest rather than nearest Gaussian-Wasserstein sources improves mean persistence-relative skill by 12.52 percentage points for MLP and 20.90 for Transformer, with positive post-hoc paired date-block intervals. Forward pilot selection improves mean skill over random transfer in all six families. Compact recurrent models achieve the lowest absolute mean errors, separating selection utility from forecasting quality. Retrospective five-candidate screening shows additional gains from farthest-first geometry before pilot ranking for MLP and Transformer. We distinguish across-target associations from within-target decisions and evaluate target heterogeneity, training seeds, and temporal-block sensitivity. Findings are exploratory for a fixed historical panel; the screening analysis measures no runtime saving.
• Abstract（参考訳）: ソースの選択は、しばしば類似したデータを好むが、最も有用な事前学習ソースを特定する必要はない。 我々は、ドメイン適応理論と、ワッサーシュタイン距離が増大するにもかかわらず、より広い情報源の変動が推定を改善する回帰例を通して条件付き代替案を動機付けている。 本研究では,10のBinanceスポット資産,6つの予測家,3つのシード,共有時間的カットオフを用いた5日間の暗号通貨のボラティリティについて検討する。 最寄りのガウス・ワッサースタイン情報源よりも最も遠い3つの情報源を選択することで、平均持続相対スキルは、トランスフォーマーでは12.52ポイント、トランスフォーマーでは20.90ポイント向上する。 前方パイロット選択は、全6家族におけるランダム転送よりも平均スキルを向上させる。 小型リカレントモデルが最も低い絶対平均誤差を達成し、選択ユーティリティと予測品質を分離する。 振り返り5候補スクリーニングは、MDPとTransformerのパイロットランキングの前に、最初期の幾何学から追加の利益が得られたことを示している。 対象内決定と対象内決定を区別し,対象不均一性,種子の訓練,時間的ブロック感度を評価した。 発見は固定された歴史的なパネルの探索であり、スクリーニング分析は実行時の保存を計測しない。

関連論文リスト

• ProbePO: Sparse Probes, Redistributed Credit for Critic-Free LLM Reinforcement Learning [55.716259164434234]
  検証可能な報酬からの強化学習は、個々の推論ステップが結果にどのように貢献するかを解明し、すべての推論軌道に1つの終末報酬を割り当てる。 GRPOは、すべてのレスポンストークンに対してグループ正規化された利点をブロードキャストする一方、よりきめ細かいアプローチは、ポリシー更新に使用されるデータを変更可能な、高密度な補助的なロールアウトや分岐スキームに依存することが多い。 限定的なロールアウト予算で、どの部分的なソリューションを評価すべきで、どのように価値を評価すればよいのか。 ProbePOは報酬のない不確実性スコアで部分解法状態を選択し、上限条件下で期待された検証者報酬を推定する
  論文  参考訳（メタデータ） (2026-10-17T07:19:05Z)
• Fidelity-Diversity-Consistency (FDC): Data Pruning for Remote Sensing Change Detection [1.771620608771373]
  ビルおよび森林変動データセット、CNNおよびトランスフォーマーベースモデル、および3つのプルーニング予算にまたがる6つの代表DP手法をベンチマークした。 最も評価の高いベースラインであるFeature Diversityでさえ、ランダムにサンプリングされたサブセットの$sim$33%と一致または超える。 そこで本研究では,これらの知見をFDC (Fidelity-Diversity-Consistency) に変換する。
  論文  参考訳（メタデータ） (2026-08-22T03:33:03Z)
• Beyond Mode Collapse: Distribution Matching for Diverse Reasoning [69.88237286885065]
  GRPOのようなオンライン強化学習手法はモード崩壊に悩まされる。 このことは、逆KL最小化のモード探索行動に由来することを示す。 KL最小化の原理的近似によりモード崩壊を防止するDMPOを提案する。
  論文  参考訳（メタデータ） (2026-05-19T07:13:00Z)
• Forecasting Downstream Performance of LLMs With Proxy Metrics [37.61408486519996]
  本稿では,トークンレベルの統計値(エントロピー,トップk精度,エキスパートトークンランクなど)を集約することで,プロキシメトリクスを構築することを提案する。 3つの設定で、我々のプロキシは損失ベースのベースラインと計算ベースのベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-18T16:17:15Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Enhancing Diversity and Feasibility: Joint Population Synthesis from Multi-source Data Using Generative Models [4.73459038844245]
  本研究では,WGAN(Wasserstein Generative Adversarial Network)と勾配ペナルティを用いたマルチソースデータセットを同時に統合・合成する手法を提案する。 その結果,提案手法は逐次ベースラインより優れ,リコールは7%,精度は15%向上した。 合成個体群はエージェントベースモデル(ABM)のキー入力として機能するため、このマルチソース生成手法はABMの精度と信頼性を大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2026-02-17T00:02:30Z)
• On Randomness in Agentic Evals [6.177270420667714]
  エージェントシステムは、エージェントがタスクを解決するために環境と対話するベンチマークで評価される。 ほとんどの論文では、タスク毎にひとつの実行から計算されたpass@1スコアが報告されている。 単一ランパス@1推定値は、どのランが選択されたかによって2.2から6.0ポイント異なる。
  論文  参考訳（メタデータ） (2026-02-06T19:49:13Z)
• MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
  VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。 我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。 数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
  論文  参考訳（メタデータ） (2025-09-25T14:58:29Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)

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。