論文の概要: Selective Transfer Learning for Groundwater Level Anomaly Forecasting: Accuracy-Risk Trade-offs

• arxiv url: http://arxiv.org/abs/2610.37733v1
• Date: Tue, 27 Oct 2026 13:15:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.307481
• Title: Selective Transfer Learning for Groundwater Level Anomaly Forecasting: Accuracy-Risk Trade-offs
• Title（参考訳）: 地下水位異常予測のための選択的移動学習:精度-リスクトレードオフ
• Abstract要約: ソースドメイン事前トレーニングは平均精度を上げることができるが、一様に信頼性がない。 文脈認識選択学習(CASL)は、凍結した非伝達と固定移動の両親の校正訓練された制約付きコンテキストブレンディングを使用する。 グローバル・コンベックス・ブレンドは4つの種でより多くの井戸を保護し、CASLは4つの種でRMSEをわずかに下げる。
• 参考スコア（独自算出の注目度）: 0.01296248293867877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work studies context-aware selective transfer learning for multi-well groundwater anomaly forecasting in the Netherlands. Source-domain pretraining can raise average accuracy but is not uniformly reliable: it degrades performance on a substantial fraction of heterogeneous wells. Context-Aware Selective Learning (CASL) uses calibration-trained, constrained contextual blending of frozen no-transfer and fixed-transfer parents. Global Convex Blend uses the same parents with one calibration-fitted weight per seed. The corrected task requires nine consecutive observed monthly inputs and an exact three-calendar-month target, without interpolation. Evaluation covers 457 wells and 13,718 test windows under five predefined seeds, with the four-cell maxsim0.60 source pool frozen using Always-TL validation RMSE alone. Fixed transfer harms 18.38-51.86% of wells. CASL has 0.424-1.084% lower RMSE than No TL, partially rescuing 97.53-99.50% and fully rescuing 23.46-43.78% of fixed-harmed wells. Partial rescue can arise structurally from convex blending and does not establish contextual superiority. Global Convex Blend protects more wells in four seeds, while CASL has slightly lower pooled RMSE in four. Neither dominates: the results support an accuracy-risk trade-off on the fixed split, not rolling deployment validity.
• Abstract（参考訳）: 本研究はオランダにおける多井戸地下水異常予測のための文脈認識型選択的移動学習に関する研究である。 ソースドメイン事前トレーニングは平均精度を上げることができるが、一様信頼性はない。 文脈認識選択学習(CASL)は、凍結した非伝達と固定移動の両親の校正訓練された制約付きコンテキストブレンディングを使用する。 グローバル・コンベックス・ブレンド(Global Convex Blend)は、1種当たりのキャリブレーションに適合した重量を持つ同じ両親を使用する。 修正作業には、9つの連続した月次インプットと正確な3カレンダ月目標が必要で、補間は不要である。 457の井戸と13,718の試験窓を5つの予め定義された種子の下でカバーし、4セルのmaxsim0.60ソースプールは Always-TL Validation RMSE だけで凍結された。 固定移動は18.38-51.86%の井戸を害する。 CASLはNo TLよりも0.424-1.084%低いRMSEを持ち、部分的に97.53-99.50%を救い、23.46-43.78%を救った。 部分的救助は凸混合から構造的に生じる可能性があり、文脈上の優位性を確立しない。 グローバル・コンベックス・ブレンドは4つの種でより多くの井戸を保護し、CASLは4つの種でRMSEをわずかに下げる。 結果は、デプロイの妥当性をローリングするのではなく、固定された分割に対して、正確でリスクの高いトレードオフをサポートする。

関連論文リスト

• When Does Perturbation Consistency Add Information Beyond Softmax Confidence? Theory and Evidence for the Decision Consistency Framework [0.0]
  摂動一貫性は、予測が小さな入力変化に耐えられるかどうかを判断する。 決定一貫性フレームワーク(Decision Consistency Framework)は、ラベル安定性(LS)と信頼性偏差(CD)を6つの軽度演算子で評価する。 これらのスコアがクリーンなソフトマックス出力に欠けている情報を持っているかどうかを問う。
  論文  参考訳（メタデータ） (2026-10-27T04:59:27Z)
• BLADE: Distilled LLM Regularization for Calibrated Knowledge Graph Completion [5.894992157122175]
  本稿では,オフライン言語モデル判定を冷凍教師正規化器に蒸留する変分モデルBLADEを提案する。 5つのベンチマークで、BLADEは共通のランキングプロトコルの下で競争力を維持している。 また、ECE、Brier score、NLLを、バリデーション選択されたヒストグラムビニングと一致した生成型ComplEx2モデルよりも改善する。
  論文  参考訳（メタデータ） (2026-08-26T02:33:05Z)
• Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection [1.4915002678801434]
  本稿では,侵入検知システムに対するTA-RS(Traffic-Aware Randomized Smoothing)を提案する。 ガウスノイズを制御可能部分空間(DC)にのみ注入する認証された防御法である。 2つのデータセットに対して、55-100%の認証精度を達成する。
  論文  参考訳（メタデータ） (2026-07-15T13:08:19Z)
• When Can Conformal Risk Control Certify LLM Outputs? Bounds, Impossibility, and Adaptation for Structured Generation [0.11280931253550518]
  構造化世代 (NER, 抽出, QA, 分類) にデプロイされる大規模言語モデル (LLM) には、正式な信頼性保証がない。 我々は、共形リスク制御(CRC)が構造化LLM出力を証明でき、かつ、それが証明不可能な場合に特徴付ける。
  論文  参考訳（メタデータ） (2026-06-27T19:25:07Z)
• Fair and Calibrated Toxicity Detection with Robust Training and Abstention [0.0]
  トレーニングタイムの介入やポストホックの安全メカニズムは独立して評価することはできない。 経験的リスク最小化(ERM)、インスタンスレベルの再重み付け、グループDROをこれらの軸で比較する。
  論文  参考訳（メタデータ） (2026-05-13T19:50:35Z)
• Accurate and Reliable Predictions with Mutual-Transport Ensemble [46.368395985214875]
  Kullback-Leibler (KL) を用いた共学習補助モデルの提案とクロスエントロピー損失の適応的正則化 MTEは精度と不確実性の両方を同時に向上させることができる。 例えば、CIFAR-100データセットでは、我々のResNet34/50上のMTEメソッドは、従来の最先端の手法に比べて大幅に改善された。
  論文  参考訳（メタデータ） (2024-05-30T03:15:59Z)
• MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
  MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。 MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。 CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-03T21:12:36Z)

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。