論文の概要: The First-Order Value of Free Covariates in Budgeted Risk Monitoring

• arxiv url: http://arxiv.org/abs/2611.00576v1
• Date: Sat, 31 Oct 2026 03:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-13 17:59:03.057703
• Title: The First-Order Value of Free Covariates in Budgeted Risk Monitoring
• Title（参考訳）: 予算リスクモニタリングにおける自由共変数の第一次値
• Abstract要約: モデルは入力を無償で見るが、そのリスクが上昇したかどうかを確認するには、高価なラベルが必要である。 我々は、誤報が制御されている間、リスクの増加を迅速に検出できるようにラベル予算をどう使うかを研究する。
• 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: A deployed model sees its inputs for free, but checking whether its risk has risen requires costly labels. We study how to spend a label budget so that a risk increase is detected quickly while false alarms stay controlled, including under input shifts that keep the risk below a safety threshold $τ$. Let $A$ be the false-alarm control scale and $h(r)=\mathrm{kl}(r,τ)$ the Bernoulli KL divergence between the changed risk $r$ and $τ$. At label rate $b=c/\log A$, we prove that every rule that chooses requests from its own label history has worst-case (Lorden) delay at least $(1/h(r)+1/c)\log A$ to first order: besides collecting evidence, it must wait for its next label. The bound needs only a label budget on one finite stretch of safe source data and false-alarm control over an initial window; a bound on the average time to false alarm does not suffice. When a harmful change also shifts the inputs, a rule that lets the inputs trigger labeling attains delay $\log A/h(r)$ to first order on a fixed Gaussian model, so free covariates save at least $1/b$ rounds. A hybrid rule adds a label-history fallback for risk changes that leave the inputs unchanged. Synthetic experiments and two ACS tasks, with strengthened label-only baselines, show the predicted pattern. The covariate trigger has a cost: because its budget is calibrated on the source, a benign input shift can make it request nearly every label.
• Abstract（参考訳）: デプロイされたモデルは、その入力を無償で見るが、そのリスクが上昇したかどうかを確認するには、高価なラベルが必要である。 我々は、安全基準のτ$以下のリスクを維持する入力シフトを含む、誤報が制御されている間、リスクの増加を迅速に検出できるようにラベル予算をどう使うかを研究する。 A$ を偽アラーム制御尺度とし、$h(r)=\mathrm{kl}(r,τ)$ 変更リスク $r$ と $τ$ のバーヌーイ KL 分岐とする。 ラベルレート$b=c/\log A$では、自身のラベル履歴からリクエストを選択するすべてのルールが、少なくとも$(1/h(r)+1/c)\log A$をファーストオーダーに遅延していることを証明します。 このバウンダリは1つの有限個の安全なソースデータと初期ウィンドウ上の偽アラーム制御にラベルの予算しか必要とせず、平均時刻から誤報へのバウンダリは十分ではない。 有害な変更が入力もシフトする場合、入力のトリガーラベリングが遅延$\log A/h(r)$を固定ガウスモデルで最初の順序に到達させるルールにより、自由共変量は少なくとも1/b$のラウンドを節約できる。 ハイブリッドルールは、入力を変更せずにすむリスク変更に対するラベル/履歴のフォールバックを追加する。 ラベルのみのベースラインが強化された合成実験と2つのACSタスクは、予測パターンを示す。 共変量トリガーはコストがかかる:その予算がソースで調整されているため、良心的な入力シフトによって、ほぼすべてのラベルを要求することができる。

関連論文リスト

• The Price of Scale in Proactive Memory Recall [3.6641231031729173]
  長寿命のアシスタントは、店内の何かが中断に値するかどうかを毎回決めなければならない。 我々は, N 個の独立な非関連点を非関連点数で評価するゲートが約-ln (1-アルファ)/N 個あたりの偽陽性率で動作していることを証明する。 キュー・スワパルゲート(cue-swapal gate)は、同じストアにある他のキューの中で、現在のキューの中でランク付けされているが、交換性の下では、有限サンプルの偽アラーム保証がある。
  論文  参考訳（メタデータ） (2026-10-25T19:07:36Z)
• Bayesian Fixed-Confidence Best-Arm Identification with Abstention [51.253617466579335]
  本研究では,学習者が端末の推薦を控えることができるベイジアン固定自信ベストアーム識別問題について検討する。 目標誤差確率$$および棄権予算$に対して、S&C(Screen-and-Confirm)を提案し、その予測停止時間を分析する。
  論文  参考訳（メタデータ） (2026-10-21T19:45:09Z)
• Variance-Aware Non-Stationary Bandits:All-Budget Regret Bounds and Adaptation Costs [1.469272550839244]
  低報酬分散は推定コストを低減させるが、観測されていないまま改善される可能性のある腕の監視を排除しない。 我々は,2つのコストが,有界,非定常なマルチ武器帯における供給されるばらつきと変動予算にどのように依存するかを特徴付ける。
  論文  参考訳（メタデータ） (2026-10-19T10:10:27Z)
• Delay Complexity Dimension: Learning with Delayed and Censored Labels [0.0]
  分布依存型解である遅延複雑度次元(DCD)を提案する。 すべての学習者は$(mathrmDCD/varepsilon2)$サンプルが必要です。 合成データとCriteo変換ログの実験は、これらの予測をサポートする。
  論文  参考訳（メタデータ） (2026-10-13T11:42:10Z)
• The Price of Self-Calibration: Exact Evidence Budgets and Manufactured Blind Sets in Adaptive Monitoring [0.0]
  自己校正モニターは、任意のドリフトの下で所定の偽アラームレートを保証するために、しきい値にオンラインで適応する。 我々は、その保証の価格を計算し、すべての法律をその正確な有効範囲で明記する。
  論文  参考訳（メタデータ） (2026-09-19T23:45:39Z)
• The Good, the Bad, and the Sampled: a No-Regret Approach to Safe Online Classification [25.36548531839979]
  本研究は, リスクが未知のロジスティックモデルによって管理される2次性疾患の結果に対して, 個人を順次検査する問題について考察する。 我々のゴールは、必要となるコストのかかるテストの総数を最小限に抑えながら、誤分類のごく一部が予め特定されたエラー耐性を超えないことを保証することです。 これにより、エラー制約のあるロジスティックテストに対する最初のノンレグレット保証が確立され、コストセンシティブな医療スクリーニングに直接適用される。
  論文  参考訳（メタデータ） (2025-10-01T15:28:00Z)
• Probably Anytime-Safe Stochastic Combinatorial Semi-Bandits [81.60136088841948]
  本稿では,時間軸における後悔を最小限に抑えるアルゴリズムを提案する。 提案アルゴリズムは,レコメンデーションシステムや交通機関などの分野に適用可能である。
  論文  参考訳（メタデータ） (2023-01-31T03:49:00Z)
• Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions with "Spurious" Correlations [44.99833362998488]
  テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。 本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:52:33Z)
• Variance-Aware Sparse Linear Bandits [64.70681598741417]
  余分な線形包帯に対する最悪のミニマックスは$widetildeThetaleft(sqrtdTright)$である。 ノイズがなく、アクションセットが単位球面である良性設定では、ディビジョン・アンド・コンカーを使用して、$widetildemathcal O(1)$ regretを達成することができる。 我々は,任意の分散対応線形帯域幅アルゴリズムを分散対応線形帯域幅アルゴリズムに変換する汎用フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-05-26T15:55:44Z)

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。