論文の概要: Decomposing Rank Reversals under Temporal Nonstationarity: Alignment, Aggressiveness, and Instability
- arxiv url: http://arxiv.org/abs/2611.04116v1
- Date: Tue, 03 Nov 2026 00:46:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-11 01:51:33.62041
- Title: Decomposing Rank Reversals under Temporal Nonstationarity: Alignment, Aggressiveness, and Instability
- Title(参考訳): 時間的非定常下でのランク逆転の分解:アライメント、攻撃性、不安定性
- Abstract要約: 時間的非定常性の下では、モデル性能ランキングは、記憶に不均一な感度が原因で訓練地平線を越えて逆転する。
我々は、目標アライメント、誤校正された攻撃性、予測不安定性のモデルに依存しない$R2$の分解を導出する。
大規模金融パネルにまたがる14の線形,ツリーベース,ニューラルアーキテクチャをベンチマークすることで,これらの理論的ダイナミクスを検証する。
- 参考スコア(独自算出の注目度): 8.76817150567772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Under temporal nonstationarity, model performance rankings reverse across training horizons due to heterogeneous sensitivities to memory. While existing literature addresses adaptive lookbacks, effective model complexity, and empirical forecast evaluation in isolation, no unified framework explains the structural mechanics driving these rank reversals. We bridge this gap by deriving a model-agnostic decomposition of out-of-sample $R^2$ into target alignment, miscalibrated aggressiveness, and predictive instability. Within this framework, we mathematically characterize complexity phase boundaries, establish closed-form optimal-memory equations for ridge regression under local drift, and extend these guarantees to complex model architectures via surrogate bounds. We validate these theoretical dynamics by benchmarking 14 linear, tree-based, and neural architectures across large-scale financial panels. In doing so, our framework demonstrates that empirical model rank reversals are driven by predictable surges in miscalibrated aggressiveness, providing a rigorous mechanistic diagnosis of generalization under temporal shift.
- Abstract(参考訳): 時間的非定常性の下では、モデル性能ランキングは、記憶に不均一な感度が原因で訓練地平線を越えて逆転する。
既存の文献では、適応的な見返り、効果的なモデル複雑さ、単独での経験的予測評価に対処しているが、これらのランク逆転を駆動する構造力学を説明する統一的な枠組みは存在しない。
モデルに依存しない$R^2$を目標アライメント、誤校正攻撃性、予測不安定性に分解することで、このギャップを埋める。
このフレームワーク内では,複雑性位相境界を数学的に特徴づけ,局所ドリフト下でのリッジ回帰のための閉形式最適メモリ方程式を確立し,これらの保証を代理境界を通じて複雑なモデルアーキテクチャに拡張する。
大規模金融パネルにまたがる14の線形,ツリーベース,ニューラルアーキテクチャをベンチマークすることで,これらの理論的ダイナミクスを検証する。
そこで本手法は, 時間的シフト下での一般化の厳密な機械的診断を実現するために, 予測可能な過敏性の急激な上昇によって, 経験的モデルランク逆転が引き起こされることを示す。
関連論文リスト
- Recovering Missing Degrees of Freedom in Simulation-Trained Field-Level Generative Models [0.0]
シミュレーション学習された生成モデルは、宇宙論における場レベルの推論の強力なフレームワークとして現れつつある。
追加のトレーニングシミュレーションを必要とせずに、潜在補正が欠落した変数のかなりの部分を取り戻すことを示す。
本研究は, シミュレーション学習による生成モデルにおいて, 自由度の欠落を識別する実用的な診断法として, 分散収縮を確立させるものである。
論文 参考訳(メタデータ) (2026-11-02T06:53:22Z) - Adaptive Recurrent Message Passing for Test Time Computing on Graphs [80.56829418752513]
繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。
本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
論文 参考訳(メタデータ) (2026-06-21T12:14:11Z) - A Hybrid GNN-FEM Framework for Phase-Field Fracture Simulation. Physics-Preserving Hybridization for Generalizable Surrogate Modeling [1.1470070927586018]
本稿では, 位相場破壊モデリングの効率化のためのハイブリッドGNN-FEMフレームワークを提案する。
提案するフレームワークは, 各種測地, 載荷条件, 材料特性, 離散化などにわたって, 強力な一般化を実現する。
数値実験により,ハイブリッド手法は従来のFEMに比べて精度を保ちながら計算コストを削減できることが示されている。
論文 参考訳(メタデータ) (2026-06-12T10:02:28Z) - Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳(メタデータ) (2026-05-28T13:26:53Z) - Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳(メタデータ) (2026-05-19T04:40:50Z) - Yield Curves Dynamics Using Variational Autoencoders Under No-arbitrage [0.0]
本稿では,Deep Learningの統計的柔軟性と,固定所得モデルにおける厳密な理論的制約の相違を解消する物理インフォームドフレームワークを提案する。
本研究では, 標準生成モデルと非制約統計外挿が, 様々なマクロ経済体制における項構造予測において, 「二重崩壊」 と「厳密な仲裁違反」に悩まされることを実証する。
究極的には、この研究は項構造モデリングのための高度にスケーラブルで数学的に健全な進化的エンジンを提供する。
論文 参考訳(メタデータ) (2026-05-12T21:21:25Z) - Epistemic Traps: Rational Misalignment Driven by Model Misspecification [36.837352790122544]
安全性は,報酬等級の連続関数ではなく,エージェントの先行処理によって決定される離散位相であることを示す。
これにより、ロバストなアライメントに必要な条件として、主観的モデルエンジニアリングが確立される。
論文 参考訳(メタデータ) (2026-01-27T09:21:36Z) - SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。
行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。
我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
論文 参考訳(メタデータ) (2026-01-06T19:47:11Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳(メタデータ) (2025-10-09T04:48:49Z) - Self-Reflective Variational Autoencoder [21.054722609128525]
変分オートエンコーダ(VAE)は潜在変数生成モデルを学習するための強力なフレームワークである。
自己回帰推論(self-reflective inference)と呼ばれるソリューションを導入します。
実験では, 後部と後部を正確に一致させることの明確な利点を実証的に示す。
論文 参考訳(メタデータ) (2020-07-10T05:05:26Z)
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。