Պրեպրինտն առաջարկում է բաշխման շեղումների քանակական գնահատման նոր մեթոդ՝ կրող բազմությունների անհամապատասխանության դեպքում
Չենի և Սիայի պրեպրինտն առաջարկում է էնտրոպիային օպտիմալ տեղափոխման վրա հիմնված γ*-concept shift-ը և սխալանքի սահմանի համակարգ, որը նպատակ ունի ներառել կովարիատի և կոնցեպտի շեղումները կրող բազմությունների անհամապատասխանության դեպքում։ Այն նաև նշում է գնահատիչների մշակման և DataShifts ալգորիթմի մասին։ Սրանք arXiv-ի պրեպրինտի պնդումներ են. տրամադրված տվյալները չեն հաստատում ենթադրությունները, կոդի հասանելիությունը, թեստային արդյունավետությունը կամ գործնական հուսալիությունը։
Այս թողարկումն անցել է «Իմանանք»-ի հրապարակման ընդլայնված ստուգումները: Որոշ էական պնդումներ շարունակում են հստակ վերագրվել պաշտոնական կամ ընկերության աղբյուրներին, քանի որ այս թողարկմանը դեռ անկախ աղբյուր կցված չէ: Համակարգը շարունակում է ստուգել հաստատված աղբյուրները և անկախ հաստատումը կավելացնի միայն ամբողջական ստուգում անցած նոր թողարկմամբ:
Հոնբո Չենի և Լի Չարլի Սիայի նոր պրեպրինտը arXiv-ում առաջարկում է բաշխման շեղումները (distribution shifts) քանակապես գնահատելու մեթոդ, երբ ելակետային և թիրախային տվյալների կրող բազմությունները (supports) չեն համընկնում։ Հոդվածում այն ներկայացվում է որպես համակարգ, որը միավորում է կովարիատի շեղումը (covariate shift) և հեղինակների առաջարկած γ*-concept-shift հասկացությունը, սակայն տրամադրված տվյալները սահմանափակվում են միայն պրեպրինտի գրառմամբ և չեն պարունակում պնդումների անկախ ստուգում։
01
Ինչ գիտենք այս պահին
- 01
[1] arXiv, «General Quantification of Covariate and Concept Shifts», տարբերակ 1՝ https://arxiv.org/abs/2609.11918v1։
- 02
Տրամադրված ամբողջական սկզբնաղբյուրը հաստատում է ներկայացման մետատվյալները և պարունակում է այստեղ օգտագործված սեղմագիրն ու մեկնաբանությունները։
02
Գրառման կարգավիճակ
Առկա սկզբնաղբյուրը arXiv-ի 1 տարբերակն է, որը ներկայացվել է 2026 թ. սեպտեմբերի 10-ին։Շեղման առաջարկվող հասկացություն
Հեղինակներն էնտրոպիային օպտիմալ տեղափոխման վրա հիմնված իրենց մոտեցումն անվանում են γ*-concept shift։Առաջարկվող գործիք
Հեղինակները DataShifts անվանում են ալգորիթմը, որը նախատեսված է շեղումները քանակապես չափելու և դրանց սահմանը գնահատելու համար։Ընդունման մասին նշում
arXiv-ի մեկնաբանություններում նշվում է, որ 38 էջանոց և ինը գրաֆիկ պարունակող հոդվածն ընդունվել է ICML 2026-ում. գիտաժողովի նյութերը կցված չեն։Տվյալները նկարագրում են arXiv-ի գրառումն ու հեղինակների պնդումները, ոչ թե անկախ փորձարկումներով հաստատված արդյունքներ։
03
Պրեպրինտի գրառում, ոչ թե անկախ գնահատում
Հիմնական աղբյուրը ձեռագրի առաջին տարբերակի arXiv գրառումն է։ Այն փաստում է վերնագիրը, հեղինակներին, ներկայացման ամսաթիվը, թեմատիկ դասակարգումը և մեկնաբանություններում նշված ընդունման մասին հայտարարությունը։ Այն ինքնին չի տրամադրում առաջարկվող մեթոդի արդյունքների կամ գործնական արդյունավետության անկախ հաստատում։
Սկզբնաղբյուր՝ https://arxiv.org/abs/2609.11918v1
- Հոդվածը կրում է «General Quantification of Covariate and Concept Shifts» վերնագիրը։
- arXiv-ում որպես հեղինակներ նշված են Հոնբո Չենը և Լի Չարլի Սիան, իսկ 1 տարբերակը ներկայացվել է 2026 թ. սեպտեմբերի 10-ին։
- Մեկնաբանություններում նշվում է, որ 38 էջանոց և ինը գրաֆիկ պարունակող աշխատանքն ընդունվել է Machine Learning-ի 43-րդ միջազգային գիտաժողովում՝ ICML 2026-ում։
04
Ինչ փոփոխություն են առաջարկում հեղինակները
Հիմնական առաջարկվող նորույթը կոնցեպտի շեղման այնպիսի ձևակերպումն է, որը նախատեսված է այն դեպքերի համար, երբ ելակետային և թիրախային տվյալների բազմությունները չունեն համընկնող կրող բազմություններ։ Հեղինակները γ*-concept shift-ը ներկայացնում են որպես այդ խնդրի լուծում, այլ ոչ թե նախկին սահմանումների անկախորեն հաստատված փոխարինող։
Ըստ սեղմագրի՝ ստացված սխալանքի սահմանը նախատեսված է կորստի ֆունկցիաների (loss functions), պիտակների տարածությունների (label spaces) և ստոխաստիկ պիտակավորման լայն շրջանակի համար։ Տրամադրված տվյալներում բացակայում են մաթեմատիկական արտածումը, այս շրջանակի համար անհրաժեշտ ենթադրությունները կամ օրինակները, որոնք ցույց կտան, թե երբ է այդ սահմանը հուսալի։
- Հեղինակները նշում են, որ կոնցեպտի շեղման (concept shift) գոյություն ունեցող սահմանումները չեն աշխատում, երբ ելակետային և թիրախային կրող բազմությունները չեն համընկնում։
- Նրանք առաջարկում են γ*-concept shift-ը՝ կիրառելով էնտրոպիային օպտիմալ տեղափոխում (entropic optimal transport)։
- Հեղինակները նշում են, որ ստացել են սխալանքի ընդհանուր սահման, որը նպատակ ունի միավորել կովարիատի շեղումը և γ*-concept shift-ը։
05
Ինչ հնարավորություններ են վերագրվում DataShifts-ին
Պրեպրինտի սեղմագիրը DataShifts-ը ներկայացնում է որպես ալգորիթմ, որը նախատեսված է տվյալներից շեղման չափումները և դրանց հետ կապված սխալանքի սահմանը գնահատելու համար։ Սա հեղինակների պնդումն է պրեպրինտում, այլ ոչ թե ապացույց, որ ալգորիթմը հասանելի է, արդյունավետ, կայուն կամ ավելի լավն է, քան գոյություն ունեցող մոտեցումները։
Աշխատանքը կիրառել ցանկացող հետազոտողի համար այս բացակայող մանրամասներն էական են. տրամադրված գրառումը չի հստակեցնում տվյալների բազաները, բազային մոդելները (baselines), հաշվարկային պահանջները, հնարավոր ձախողման դեպքերը կամ այն պայմանները, որոնցում գնահատիչները կարող են անվտանգ օգտագործվել։
- Հեղինակները նշում են, որ մշակել են կոնցենտրացիոն երաշխիքներով (concentration guarantees) գնահատիչներ։
- Նրանք ներկայացնում են DataShifts-ը, որը, ըստ իրենց, կարող է քանակապես գնահատել բաշխման շեղումները և հաշվարկել առաջարկվող սխալանքի սահմանը։
- Տրամադրված նյութերում ներառված չեն էմպիրիկ արդյունքներ, թեստային համեմատություններ կամ ծրագրային իրականացման մանրամասներ։
06
Ինչու է այս տարբերակումը կարևոր
Գրառումը ներկայացնում է բաշխման շեղումների, հատկապես կրող բազմությունների անհամապատասխանության վերլուծության հնարավոր ավելի լայն համակարգի նկարագրությունը։ Սակայն այն չի ապացուցում, որ առաջարկվող չափումները կամ ալգորիթմը որևէ կոնկրետ միջավայրում բարելավում են կիրառական մոդելների մոնիթորինգը կամ ընդհանրացման (generalization) վերլուծությունը։
Հետևաբար, աղբյուրի փաստացի բովանդակությունը սահմանափակ է. հեղինակներն առաջարկել են մոտեցում և դրան կից գնահատիչներ, սակայն նյութը չի պարունակում անհրաժեշտ տվյալներ՝ դրա իրական արդյունավետությունը գնահատելու համար։
- Մոտեցումը դիտարկեք որպես գիտական առաջարկ, քանի դեռ դրա ենթադրություններն ու արդյունքները չեն ստուգվել։
- Հետևեք՝ արդյոք գիտաժողովի նյութերի վերջնական տարբերակը փոփոխություններ կմտցնի arXiv-ի ձեռագրում։
- Կոդը և վերարտադրելիության նյութերը փնտրեք առանձին. դրանց առկայությունը տրամադրված փաստաթղթում հաստատված չէ։
07
Ինչ ստուգել նախքան կիրառելը
Տրամադրված նյութը բավարար է առաջարկվող մոդելը հասկանալու համար, բայց ոչ կոնկրետ կիրառություններում դրա արդյունավետությունը գնահատելու նպատակով։
- 01
Կարդացեք պրեպրինտի ամբողջական տարբերակը՝ ծանոթանալու մաթեմատիկական ենթադրություններին, սխալանքի սահմանի շրջանակին և գնահատիչների պայմաններին։
- 02
Մի ենթադրեք, որ DataShifts-ի կոդը, արտոնագիրը կամ կիրառման պատրաստ տարբերակն արդեն հասանելի են. տրամադրված աղբյուրում նման տվյալներ չկան։
- 03
Մինչ arXiv-ի տարբերակը վերջնական համարելը՝ փնտրեք ICML 2026-ի գիտաժողովի նյութերի (proceedings) պաշտոնական հրապարակումը։
08
Այս թողարկման սահմանափակումները
Տրամադրվել են միայն arXiv-ի գրառումն ու սեղմագիրը (abstract). հոդվածի ամբողջական վերլուծություն, թեստային համեմատություններ (benchmarks) կամ փորձարարական արդյունքներ առկա չեն։
DataShifts-ի կոդի պահոցի, իրականացման (implementation), արտոնագրի, հաշվարկային ծախսերի կամ հանրային հասանելիության վերաբերյալ տվյալներ չկան։
Աղբյուրը չի հստակեցնում մեթոդի ենթադրությունները, սահմանափակումները, հնարավոր խնդրահարույց դեպքերը կամ համեմատական արդյունավետությունը։
ICML 2026-ում հոդվածի ընդունման մասին նշումը չի ստուգվել գիտաժողովի նյութերի պաշտոնական հրապարակումների հետ։
SRC
Աղբյուրների բաժին
Ուղիղ հղումներ այս ընտրանու հիմքում եղած նյութերին: Աղբյուրը տեսնելը նույնքան կարևոր է, որքան սինթեզն ընթերցելը:
Շարունակել ընթերցումը
9 սեպ, 2026 թ.
RegionFed պրեպրինտն առաջարկում է գրադիենտների մակարդակով անհատականացում մանրածախ հարցումների ֆեդերատիվ մոդելների համար
RegionFed-ը arXiv-ի պրեպրինտ է, որի հեղինակներն առաջարկում են տարածաշրջանային և գլոբալ գրադիենտների կոնֆլիկտն օգտագործել անհամասեռ առևտրային հարցումների միջավայրերում ֆեդերատիվ մոդելների անհատականացումն ուղղորդելու համար: Նրանք հաղորդում են երեք տվյալների բազայի և չորս տիպի ճարտարապետության վրա կատարված փորձարկումների մասին, ներառյալ 92.27% RegionFed-Meta արդյունքը և մոտավորապես epsilon 0.60 դիֆերենցիալ գաղտնիությունը: Տրամադրված նյութը չի հաստատում գրախոսություն անցնելը, անկախ ստուգումը, չափման մեթոդների սահմանումները, գաղտնիության հաշվարկները, վերարտադրելիությունը, կոդի հասանելիությունը կամ գործառնական ծախսերը: [1]
2 սեպ, 2026 թ.
Նախատպվածքը ներկայացնում է սահմանափակ տվյալներով խաղողի ցրտադիմացկունության կանխատեսումների տեղափոխման եղանակ
arXiv-ում հրապարակված նախատպվածքի հեղինակները նշում են, որ մշակել են ներկայացումների ուսուցման մոդել՝ խաղողի ցրտադիմացկունության կանխատեսումները նոր տարածաշրջաններ տեղափոխելու համար: Նրանք նկարագրում են տարածաշրջանի ու սորտի տեքստային տվյալների կամ սահմանափակ պատմական դիտարկումների կիրառումը և հայտնում Հյուսիսային Ամերիկայի վեց շրջաններում համեմատական մեթոդների նկատմամբ առավելության մասին: Այս արդյունքները մնում են նախնական, քանի որ ներկայացված նյութը չի պարունակում թվային չափանիշներ, տվյալների մանրամասներ, կոդ կամ անկախ ստուգում:
31 օգս, 2026 թ.
MAELLE նախատպությունն առաջարկում է էլեկտրոնային մակարդակի ուղիներ ռեակցիաների կանխատեսման համար
MAELLE-ը քիմիական ռեակցիաների կանխատեսման մեթոդ է, որը հիմնված է գրաֆային կառուցվածք ունեցող էլեկտրոնային զբաղվածությունների discrete flow matching մոտեցման վրա: Նախատպության համաձայն՝ մոդելն ապահովում է էլեկտրոնների վերախմբավորման մեկնաբանելի ուղիներ, մրցունակ արդյունքներ USPTO-480K-ում, out-of-distribution կայունություն և կողմնակի արգասիքների կանխատեսում: arXiv-ի առկա գրառումը չի պարունակում այդ պնդումները ստուգելու համար անհրաժեշտ քանակական, մեթոդաբանական կամ անկախ ապացույցներ: