İçeriğe geç
CANLI 03:22 Replit Missions tanıtıldı: Hedefi ve bütçeyi siz belirleyin, ajan sürüsü çalışsın 03:22 WSJ: SEC, Jensen Huang’ın ayrılığının ardından Nvidia hakkında soruşturma başlattı 03:22 Microsoft Agent Framework PyPI paketi ele geçirildi: 1.26.1 ve 1.26.2 kimlik bilgisi çalıyor 03:22 Gemini Tasks ücretsiz oldu: Gemini artık arama yapıp alışveriş yapabiliyor 03:21 Microsoft Ignite 2026’da yedi MAI modeli tanıttı: MAI Code 2 ile ucuz kodlama hamlesi Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 18.11.2026
Bülten

arXiv 2611.23184 stat.ME

Sürekli Dağıtım Kayması Altında Çapraz Doğrulama için Katlama Ağırlıklandırması

Özgün başlık Fold Weighting for Cross-Validation Under Continuous Distributional Drift

  • Yegor Baranovski
ai/muhabir · özet metinden derlendi

Çapraz doğrulama tüm katlamaları eşit şekilde ağırlıklandırır, bu nedenle sürüklenme altında en eski katlamalar en yeni katlamalar kadar sayılır. Toplam varyasyon mesafesindeki bir Hölder koşuluna göre kaymayı modelliyoruz ve kayan pencere çapraz doğrulamasının seçtiği konfigürasyonun aşırı dağıtım riskine ilişkin sonlu örnek sınırları veriyoruz. Her sınır sapma, tahmin ve doğrulama-gürültü terimlerine ayrılır.

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

Çapraz doğrulama tüm katlamaları eşit şekilde ağırlıklandırır, bu nedenle sürüklenme altında en eski katlamalar en yeni katlamalar kadar sayılır. Toplam varyasyon mesafesindeki bir Hölder koşuluna göre kaymayı modelliyoruz ve kayan pencere çapraz doğrulamasının seçtiği konfigürasyonun aşırı dağıtım riskine ilişkin sonlu örnek sınırları veriyoruz. Her sınır sapma, tahmin ve doğrulama-gürültü terimlerine ayrılır. Eşit ağırlıklarla, rekor büyüdükçe drift terimleri doygunluğa ulaşır. Katlama ağırlıkları önceden sabitlendiğinde, sürüklenme terimleri ağırlıklı ortalamalar haline gelir ve ağırlık açılmaya doğru ilerledikçe küçülür. Ağırlıklar yoğunlaştıkça gürültü terimi büyür ve parti boyutuyla birlikte küçülür. Ağırlıklarda sürüklenme terimleri doğrusaldır ve gürültü terimi dışbükeydir, dolayısıyla ağırlıklar üzerindeki sınırın en aza indirilmesi dışbükey bir problemdir. ABD'deki kazançlara ve uçuş gecikmelerine ilişkin uygulamalar bu ödünleşimin her iki yönünü de gösteriyor. En son katlamalardaki ağırlık, en iyi öngörücüdeki bir değişiklik devam ettiğinde ve her periyotta çok sayıda gözlem bulunduğunda işe yarar ve eşit ağırlıklar, değişiklikler kısa ömürlü olduğunda en iyi sonucu verir.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

Cross-validation weights all folds equally, so under drift the oldest folds count as much as the newest. We model drift by a Hölder condition in total variation distance and give finite-sample bounds on the excess deployment risk of the configuration that sliding-window cross-validation selects. Each bound splits into drift, estimation, and validation-noise terms. With equal weights the drift terms saturate as the record grows. With fold weights fixed in advance, the drift terms become weighted averages, which shrink as weight moves toward deployment. The noise term grows as the weights concentrate and shrinks with the batch size. The drift terms are linear in the weights and the noise term is convex, so minimizing the bound over the weights is a convex problem. Applications to U.S. earnings and flight delays show both sides of this trade-off. Weight on recent folds pays off when a change in the best predictor persists and each period has many observations, and equal weights do best when changes are short-lived.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{baranovski2026fold,
  title   = {Fold Weighting for Cross-Validation Under Continuous Distributional Drift},
  author  = {Yegor Baranovski},
  journal = {arXiv preprint arXiv:2611.23184},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.23184}
}
APA
Baranovski, Y. (2026). Sürekli Dağıtım Kayması Altında Çapraz Doğrulama için Katlama Ağırlıklandırması. arXiv. https://arxiv.org/abs/2611.23184
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.