論文の概要: Trajectory Density Ratios under Weak Support: A Survey across the Sciences
- arxiv url: http://arxiv.org/abs/2611.11985v2
- Date: Fri, 13 Nov 2026 07:02:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.220268
- Title: Trajectory Density Ratios under Weak Support: A Survey across the Sciences
- Title(参考訳): 弱化支援下の軌道密度比:科学における調査
- Abstract要約: 科学全体にわたる多くの問題は、それらが生成するシーケンスを通して2つのプロセスを比較する。
本調査は,弱支援の3段階的診断に関する分野を整理した。
この調査は、あらゆるレベルでテスト可能な診断、軌跡レベルでの部分的な識別、時間増幅エラーのレート理論、基礎的真実を伴うベンチマークといったオープンな問題で締めくくられている。
- 参考スコア(独自算出の注目度): 11.490089163982544
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many problems across the sciences compare two stochastic processes through the sequences they generate. Reinforcement learning asks what a new policy would return from the trajectories of an old one; molecular simulation asks how much more a ligand binds from samples of the unbound state; climate attribution asks how a heat wave shifted under warming; and language-model post-training asks what a deployed agent will do from logged interactions. In every case, one quantity would answer all these questions at once: the ratio of the two probability laws over their generated sequences, the trajectory density ratio. This ratio exists only under strong conditions. When one process reaches states the other cannot, the ratio does not exist; when their overlap is thin, its variance grows without control with the sequence length; and when they concentrate on different lower-dimensional sets, the ratio is undefined altogether. Weak support of this kind is the norm for sequence data, not a sampling accident, and its price is paid in identifiability rather than in noise alone. This survey organizes the field around a three-level diagnosis of weak support and a map of the nine retreats that methods take when the full ratio is out of reach, from direct estimation and reweighting through staged decomposition, stationarization, and partial-identification bounds to smoothing, transport couplings, operator spectra, and direct estimation of a single functional. Each retreat keeps part of what the ratio offers and pays for the rest, and each application domain has standardized the retreat its data force. The survey closes with open problems: testable diagnostics at every level, partial identification at the trajectory level, a rate theory of time-amplified error, and benchmarks with ground truth.
- Abstract(参考訳): 科学全体にわたる多くの問題は、それらが生成するシーケンスを通して2つの確率過程を比較する。
強化学習(Reinforcement learning)は、古い政策の軌跡から新しい方針が戻るかを尋ねる; 分子シミュレーション(英語版)は、リガンドが無拘束状態のサンプルからどれだけ多く結合するかを問う; 気候属性(英語版)は、温暖下で熱波がどのようにシフトするかを問う; 言語モデルポストトレーニング(英語版)は、デプロイされたエージェントがログ化された相互作用から何をするかを問う。
いずれの場合も、1つの量で全ての疑問に一度に答える: 生成された列上の2つの確率則の比、軌道密度比である。
この比は強い条件下でのみ存在する。
ある過程が他方に到達できないとき、その比は存在しない; 重なりが薄いとき、その分散はシーケンス長の制御なしに増大する; 異なる下次元集合に集中すると、その比は完全に定義されない。
この種の弱サポートは、サンプリング事故ではなく、シーケンスデータの標準であり、その価格はノイズ単独ではなく識別可能性で支払われる。
本調査では,3段階の弱い支持の診断の周囲の領域を整理し,全比率が到達していない場合に行う9つの後退の地図を整理し,ステージ分解,定常化,部分同定境界による直接推定と再重み付けから,平滑化,輸送結合,オペレータスペクトル,単一機能の評価まで,その9つの後退の地図を作成する。
各リトリートは、その比率が提供し、残りの部分に対して支払うものの一部を保持し、各アプリケーションドメインは、そのデータフォースを標準化した。
この調査は、あらゆるレベルでテスト可能な診断、軌跡レベルでの部分的な識別、時間増幅エラーのレート理論、基礎的真実を伴うベンチマークといったオープンな問題で締めくくられている。
関連論文リスト
- Two-Sample Testing via Generative Processes [60.42943145582429]
生成輸送は、2つのサンプルが同じ分布から来るかどうかを決定する新しい方法を提供する。
2つのサンプルの間に直接補間体を構築し、対称スケジュールでは、その法則が時間反射の下で不変であることを観察する。
したがって、t と 1-t の辺辺が、Jensen-Shannon の発散を計算することで一致するかどうかをテストする。
論文 参考訳(メタデータ) (2026-10-06T12:48:27Z) - Uncertainty Quantification for LLM Agents: A Taxonomy, an Evaluation Protocol, and an Empirical Study [5.818268354990671]
大きな言語モデルは、計画し、ツールを呼び、エビデンスを取得し、記憶を維持し、長い地平線上で相互作用するエージェントとして機能する。
LLMの不確かさの定量化に関する既存の研究は、ほとんど完全に単ターンの質問応答のために構築された。
本稿では,複数回会話や環境,ツールの誤りや不確実性は,単回質問応答設定からではなく,複数回会話から生じると論じる。
論文 参考訳(メタデータ) (2026-09-07T12:06:49Z) - Wrong Model, Right Uncertainty: Spatial Associations for Discrete Data with Misspecification [9.924172280147625]
本研究では,空間的に変化する雑音の処理方法を示し,提案した推定器の整合性を示す。
標準アプローチが信頼できない信頼区間を生じさせ、連想のサインを間違えることさえ可能なことを実証的に示す。
論文 参考訳(メタデータ) (2025-09-01T21:22:08Z) - Flow based approach for Dynamic Temporal Causal models with non-Gaussian or Heteroscedastic Noises [37.02662517645979]
因果発見のための統合フレームワークであるFANTOMを紹介する。
非定常過程と非ガウス的および異方性雑音を扱う。
同時にレジームの数と対応するインデックスを推測し、各レジームのディレクテッド・アサイクリックグラフを学習する。
論文 参考訳(メタデータ) (2025-06-20T15:12:43Z) - Counterfactual Realizability [52.85109506684737]
本稿では, 正規化可能性の定義, 分布からサンプルを抽出する能力を導入し, 任意の反事実分布が実現可能であるかどうかを判定する完全アルゴリズムを開発する。
本稿では、因果的公正さと因果的強化学習のモチベーション例を用いて、この新たな反ファクト的データ収集フレームワークの意義を説明する。
論文 参考訳(メタデータ) (2025-03-14T20:54:27Z) - Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
深部異方性回帰における自己教師付き共分散推定について検討する。
正規分布の間の2-ワッサーシュタイン距離の上界を導出する。
幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
論文 参考訳(メタデータ) (2025-02-14T22:37:11Z) - Upsample or Upweight? Balanced Training on Heavily Imbalanced Datasets [31.5733738608772]
この格差に対処する2つの一般的な戦略は、低リソースデータのアップサンプリングと低リソース損失のアップウェイト化である。
これら2つの手法が等価であり、いつ分岐するかを識別する。
コンバージェンスを加速するために、低リソース言語を大々的にアップサンプリングすることから始まる戦略であるCooldownを提案する。
論文 参考訳(メタデータ) (2024-10-06T18:29:46Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Nested Counterfactual Identification from Arbitrary Surrogate
Experiments [95.48089725859298]
観測と実験の任意の組み合わせからネスト反事実の同定について検討した。
具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
論文 参考訳(メタデータ) (2021-07-07T12:51:04Z)
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。