論文の概要: Optimal Subgroup Discovery at Every Support Threshold

• arxiv url: http://arxiv.org/abs/2611.03053v1
• Date: Mon, 02 Nov 2026 12:48:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:41:32.058993
• Title: Optimal Subgroup Discovery at Every Support Threshold
• Title（参考訳）: すべてのサポート閾値における最適サブグループ発見
• Abstract要約: 任意の支持制約の下で最大クルバック・リーブラ発散を持つ最適部分群の最初の理論的、構造的特徴を与える。 分割型生成モデルでは、特徴空間は原子と呼ばれる対象変数の均質な条件分布の領域に分解され、偏差支持面上のすべての点が少なくとも1つの分数原子と共に原子全体の結合であることが証明される。
• 参考スコア（独自算出の注目度）: 11.71757021816863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subgroup discovery aims to identify regions of the feature space where a target variable deviates from its marginal distribution. A fundamental challenge in this problem is the trade-off between a subgroup's deviation and its support: small subgroups can be highly deviating but statistically meaningless, while large ones cannot deviate much by construction. Existing methods tackle this challenge by collapsing the two into a single scalar quality measure, implicitly committing to one particular trade-off and making it difficult to recover the most deviating subgroup under a user-specified support constraint. We instead provide the first theoretical and structural characterization of optimal subgroups with maximum Kullback-Leibler (KL) divergence under arbitrary support constraints. Under a partition-based generative model, where the feature space decomposes into regions of homogeneous conditional distributions of the target variable called atoms, we prove that every point on the deviation-support Pareto front is a union of whole atoms together with at most one fractional atom. This reduces an uncountable search to a finite combinatorial problem. Guided by this theory, we propose a simple two-step recipe: learn a homogeneous partition, then select atoms greedily. Across 19 benchmark datasets, it finds the most deviating subgroups at a range of support thresholds, and reliably improves subgroups returned by existing methods when applied as a post-processing step. These results empirically validate the sufficiency and necessity of our theoretical contributions.
• Abstract（参考訳）: サブグループ発見は、対象変数がその限界分布から逸脱する特徴空間の領域を特定することを目的としている。 この問題における根本的な課題は、部分群の偏差とその支持の間のトレードオフである:小さな部分群は高度に逸脱するが統計的には無意味であり、大きな部分群は建設によって多くを逸脱することはできない。 既存の方法は、2つを単一のスカラー品質尺度に分解し、1つの特定のトレードオフに暗黙的にコミットし、ユーザが指定したサポート制約の下で最も逸脱するサブグループを回復することが困難になる。 代わりに、任意の支持制約の下で最大クルバック・リーブラ(KL)発散を持つ最適部分群の最初の理論的、構造的特徴を与える。 分割型生成モデルでは、特徴空間は原子と呼ばれる対象変数の均一な条件分布の領域に分解され、偏差支持パレートフロント上のすべての点が、少なくとも1つの分数原子を含む原子全体の結合であることが証明される。 これにより、可算な探索は有限組合せ問題に還元される。 この理論で導かれた単純な2段階のレシピを提案し、均質な分割を学習し、優雅に原子を選択する。 19のベンチマークデータセットで、サポートしきい値の範囲で最も逸脱したサブグループを見つけ、後処理ステップとして適用された場合、既存のメソッドによって返されるサブグループを確実に改善する。 これらの結果は,我々の理論的貢献の満足度と必要性を実証的に検証した。

関連論文リスト

• The Resolution of Causal Heterogeneity [5.222979968110479]
  因果部分群分析はしばしば、その数がよく定義された推定値であるかのように、治療効果の不均一性を要約する少数の群を報告する。 我々はこれを新しい人口推定法、解像度プロファイル、因果的特徴法の機能に置き換える。 推論は、1つの構造化モーメントプロセスのために、1つのクロスフィットベイズ・ブートストラップ後部を中心に構成される。
  論文  参考訳（メタデータ） (2026-07-19T14:56:06Z)
• Imputation Meets Clustering: Exploiting Latent Subgroup Structure for Missing Data Recovery [52.29866804948133]
  本稿では、クラスタリングと命令を相互に強化する共最適化プロセスとして再構築するフレームワークであるCAGI(Cluster-Aware Generative Imputation)を提案する。 14のベンチマークデータセットと15の代表的なベースラインの実験は、CAGIの優位性を実証している。
  論文  参考訳（メタデータ） (2026-07-08T02:50:02Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• A Theoretical Framework for Discovering Groups and Unitary Representations via Tensor Factorization [9.572235167281685]
  我々は、この帰納的バイアスの厳密な理論的説明を、その目的を規制因子スケールの項に分解することで提供する。 1)大域的最小値は群に対するユニタリ正規表現によって達成され、(2)非群演算は厳密に高い目的値をもたらす。
  論文  参考訳（メタデータ） (2025-11-28T12:58:13Z)
• WHOMP: Optimizing Randomized Controlled Trials via Wasserstein Homogeneity [3.05179671246628]
  我々は、$textitWasserstein Homogeneity Partition$ (WHOMP)と呼ばれる新しいパーティショニング手法を導入する。 WHOMPは、しばしば不均衡なグループ分割や分割によって生じるタイプIとタイプIIのエラーを最適に最小化する。
  論文  参考訳（メタデータ） (2024-09-27T07:38:47Z)
• Exact Recovery in the General Hypergraph Stochastic Block Model [92.28929858529679]
  本稿では,d-uniform hypergraph block model(d-HSBM)の正確な回復の基本的な限界について検討する。 精度の高いしきい値が存在し、正確な回復がしきい値の上に達成でき、その下には不可能であることを示す。
  論文  参考訳（メタデータ） (2021-05-11T03:39:08Z)
• Partition-Guided GANs [63.980473635585234]
  私たちは、スペースを小さな領域に分割し、それぞれがよりシンプルな分布を持ち、各パーティションごとに異なるジェネレータを訓練するパーティションーを設計します。 これはラベルを必要とせずに教師なしの方法で実行される。 各種標準ベンチマーク実験の結果,提案手法が近年の手法を上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-04-02T00:06:53Z)
• Robust subgroup discovery [0.2578242050187029]
  最小記述長原理を用いて最適ロバスト部分群発見の問題を定式化する。 RSDは、良いサブグループリストを見つけ、各イテレーションで最も重要なサブグループが追加されたことを保証します。 我々は,rsdが従来のサブグループ集合発見法を上回っている54のデータセットを,品質とサブグループリストサイズの観点から実証的に示す。
  論文  参考訳（メタデータ） (2021-03-25T09:04:13Z)
• GroupifyVAE: from Group-based Definition to VAE-based Unsupervised Representation Disentanglement [91.9003001845855]
  他の誘導バイアスを導入しないと、VAEベースの非監視的非絡み合いは実現できない。 グループ理論に基づく定義から導かれる制約を非確率的帰納的バイアスとして活用し,vaeに基づく教師なし不連続に対処する。 提案手法の有効性を検証するために,5つのデータセット上で,vaeベースモデルが最も目立つ1800モデルをトレーニングした。
  論文  参考訳（メタデータ） (2021-02-20T09:49:51Z)

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。