論文の概要: Statistical Inference under Performativity: From Policy Feedback to Self-Evolving Systems

• arxiv url: http://arxiv.org/abs/2611.00438v1
• Date: Fri, 30 Oct 2026 22:45:28 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:11:22.539453
• Title: Statistical Inference under Performativity: From Policy Feedback to Self-Evolving Systems
• Title（参考訳）: 演奏性を考慮した統計的推論:政策フィードバックから自己進化システムへ
• Abstract要約: 予測インフォームド決定がデータ生成プロセスを変更し、デプロイメントと学習の間にフィードバックを生成すると、パフォーマンスが向上する。 本研究では,統計的推論のためのエンドツーエンドのフレームワークを開発した。 合成・半合成・自己進化型大規模言語モデルルーティング設定におけるフレームワークの評価を行った。
• 参考スコア（独自算出の注目度）: 11.039741945767625
• License:
• Abstract: Performativity arises when prediction-informed decisions change the data-generating process, creating feedback between deployment and learning. This phenomenon occurs in policy-making and in self-evolving AI systems that shape their own future training data. Statistical inference is challenging because estimation errors in earlier predictors affect subsequent data distributions and propagate into later updates. We develop an end-to-end framework for statistical inference under performativity. For repeated risk minimization and repeated gradient descent, we establish central limit theorems at fixed deployment rounds and derive covariance recursions that capture both current-round sampling variation and uncertainty inherited from earlier deployments. We develop consistent covariance estimators using policy perturbations and score matching. These results can yield asymptotically valid confidence regions for population iterates and the performative stable point. We further extend prediction-powered inference to this dynamic setting, combining labeled observations with predictions on additional unlabeled data to improve statistical efficiency. We evaluate our framework in synthetic, semi-synthetic educational, and self-evolving large language model routing settings. Our experiments demonstrate that ignoring propagated uncertainty can lead to substantial undercoverage even after repeated retraining. Together, these results provide statistical tools for learning systems that help determine the distributions from which they learn. Our work establish a complete statistical inference under performativity, introducing new challenges and inference settings that we believe will provide substantial value to policy-making, statistics, and machine learning.
• Abstract（参考訳）: 予測インフォームド決定がデータ生成プロセスを変更し、デプロイメントと学習の間にフィードバックを生成すると、パフォーマンスが向上する。 この現象は、ポリシー作成や、将来のトレーニングデータを形成する自己進化型AIシステムで発生します。 事前予測器における推定誤差がその後のデータ分布に影響を与え、その後の更新に伝播するため、統計的推測は難しい。 本研究では,統計的推論のためのエンドツーエンドのフレームワークを開発した。 繰り返しのリスク最小化と繰り返しの勾配降下のために、固定配置ラウンドにおける中央極限定理を確立し、初期配置から受け継いだ現在のラウンドサンプリングのばらつきと不確実性の両方を捉える共分散再帰を導出する。 政策摂動とスコアマッチングを用いた一貫した共分散推定器を開発した。 これらの結果は、集団反復とパフォーマンス安定点に対する漸近的に有効な信頼領域が得られる。 さらに、ラベル付き観測と追加のラベル付きデータの予測を組み合わせることにより、統計的効率を向上させることにより、予測による推論をこのダイナミックな設定に拡張する。 合成・半合成・自己進化型大規模言語モデルルーティング設定におけるフレームワークの評価を行った。 本実験は, 伝播不確実性を無視した場合, 繰り返し再訓練しても, 重大な潜伏が生じることを示した。 これらの結果は、学習した分布を決定するのに役立つ学習システムのための統計ツールを提供する。 私たちの研究は、パフォーマンス性の下で完全な統計的推論を確立し、ポリシー作成、統計、機械学習にかなりの価値をもたらすと信じている新しい課題と推論設定を導入します。

関連論文リスト

• Statistical Inference via Generative Models: Flow Matching and Causal Inference [0.0]
  生成AIは目覚ましい経験的な成功を収めてきたが、統計学の観点から見れば、しばしば不透明である。 この本は、フローマッチングを中心的な例として、統計言語における生成AIを再解釈する。
  論文  参考訳（メタデータ） (2026-03-09T22:56:02Z)
• Do We Really Even Need Data? A Modern Look at Drawing Inference with Predicted Data [0.8415089854734883]
  高い予測精度は、下流の正しい推測を保証しないことを示す。 予測が変数間の推定あるいは歪関係を体系的にシフトした場合,および (ii) 差は, 予測モデルからの不確実性や真のデータの固有変数を無視する場合に, バイアスという統計的概念に還元されることを示す。
  論文  参考訳（メタデータ） (2025-12-05T06:24:23Z)
• Adversary-Free Counterfactual Prediction via Information-Regularized Representations [8.760019957506719]
  本稿では,デコーダバイアス下での対実予測について検討し,数学的に基礎を成す情報理論的アプローチを提案する。 情報用語を上位にバウンドし、教師付き課題と組み合わせることで、安定的で、実証可能なトレーニング基準を導出する、トラクタブルな変動目標を導出する。 我々は,制御された数値シミュレーションと実世界の臨床データセットの評価を行い,最近の最先端のバランス,再重み付け,敵のベースラインと比較した。
  論文  参考訳（メタデータ） (2025-10-17T09:49:04Z)
• Statistical Inference under Performativity [13.413265562265414]
  統計的推論のエンドツーエンドのフレームワークを性能評価の下で開始する。 まず、性能設定における推定と推測のための中心極限定理を確立する。 第二に、この中心極限定理を利用して予測駆動推論(PPI)を性能下で研究する。
  論文  参考訳（メタデータ） (2025-05-24T03:59:49Z)
• Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
  この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。 本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
  論文  参考訳（メタデータ） (2025-02-17T18:04:39Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。