Fugu-MT 論文翻訳(概要): Design-unbiased statistical learning in survey sampling

論文の概要: Design-unbiased statistical learning in survey sampling

arxiv url: http://arxiv.org/abs/2003.11423v1
Date: Wed, 25 Mar 2020 14:27:39 GMT
ステータス: 処理完了
システム内更新日: 2022-12-20 03:16:20.866908
Title: Design-unbiased statistical learning in survey sampling
Title（参考訳）: サーベイサンプリングにおける設計非バイアス統計学習
Authors: Luis Sanguiao Sande and Li-Chun Zhang
Abstract要約: そこで我々は,Rao-Blackwell法をサブサンプルとして提案し,正確な設計不偏性推定のための統計的学習理論を開発した。我々のアプローチは、統計科学の古典的アイデアと、急速に成長する機械学習の分野を生かしている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Design-consistent model-assisted estimation has become the standard practice in survey sampling. However, a general theory is lacking so far, which allows one to incorporate modern machine-learning techniques that can lead to potentially much more powerful assisting models. We propose a subsampling Rao-Blackwell method, and develop a statistical learning theory for exactly design-unbiased estimation with the help of linear or non-linear prediction models. Our approach makes use of classic ideas from Statistical Science as well as the rapidly growing field of Machine Learning. Provided rich auxiliary information, it can yield considerable efficiency gains over standard linear model-assisted methods, while ensuring valid estimation for the given target population, which is robust against potential mis-specifications of the assisting model at the individual level.
Abstract（参考訳）: サーベイサンプリングでは,設計一貫性のあるモデル支援推定が標準的手法となっている。しかし、これまでは一般的な理論が欠如しており、より強力な補助モデルに繋がる現代の機械学習技術を取り入れることができる。本稿では,線形あるいは非線形予測モデルの助けを借りて,Rio-Blackwell法をサブサンプリングし,正確に設計不偏性推定を行う統計的学習理論を提案する。我々のアプローチは、統計科学の古典的アイデアと、急速に成長する機械学習の分野を活用する。豊富な補助情報を提供しれば, 個別レベルでの補助モデルの潜在的な誤特定に対して頑健な与えられた対象集団に対する正当な推定を確保しつつ, 標準線形モデル支援手法よりも相当な効率向上が得られる。

関連論文リスト

Statistically Efficient Bayesian Sequential Experiment Design via Reinforcement Learning with Cross-Entropy Estimators [15.461927416747582]
強化学習は、実験のシーケンスを設計するための改善された設計ポリシーを学ぶことができる。本稿では,関節モデル分布のクロスエントロピーとフレキシブルな提案分布に基づく代替推定器を提案する。提案手法は,従来の手法の指数サンプルの複雑さを克服し,高いEIG値のより正確な推定値を提供する。
論文参考訳（メタデータ） (2023-05-29T00:35:52Z)
Can Strategic Data Collection Improve the Performance of Poverty Prediction Models? [4.444335418188173]
地平データ収集のための適応型サンプリング手法が貧困予測モデルの性能を向上させるかどうかを検証した。これらのアクティブな学習手法はいずれも一様ランダムサンプリングよりも改善されていない。これらの結果が、機械学習に基づく貧困の推定を洗練するための将来の取り組みにどのように役立つかについて議論する。
論文参考訳（メタデータ） (2022-11-16T07:50:56Z)
Design Amortization for Bayesian Optimal Experimental Design [70.13948372218849]
予測情報ゲイン(EIG)のバウンダリに関してパラメータ化された変分モデルを最適化する。実験者が1つの変分モデルを最適化し、潜在的に無限に多くの設計に対してEIGを推定できる新しいニューラルアーキテクチャを提案する。
論文参考訳（メタデータ） (2022-10-07T02:12:34Z)
Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
論文参考訳（メタデータ） (2022-05-20T07:02:03Z)
Sample-Efficient Reinforcement Learning via Conservative Model-Based Actor-Critic [67.00475077281212]
モデルベース強化学習アルゴリズムは、モデルフリーのアルゴリズムよりもサンプル効率が高い。本稿では,精度の高い学習モデルに強く依存することなく,高いサンプル効率を実現する新しい手法を提案する。 CMBACは,いくつかの課題に対して,サンプル効率の点で最先端のアプローチを著しく上回ることを示す。
論文参考訳（メタデータ） (2021-12-16T15:33:11Z)
ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文参考訳（メタデータ） (2021-04-11T12:14:04Z)
Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文参考訳（メタデータ） (2020-06-08T18:20:28Z)
Goal-Directed Planning for Habituated Agents by Active Inference Using a Variational Recurrent Neural Network [5.000272778136268]
本研究では, 予測符号化(PC)とアクティブ推論(AIF)フレームワークが, 低次元潜在状態空間における事前分布を学習することにより, より優れた一般化を実現できることを示す。提案モデルでは, 最適潜伏変数を推定し, 実験結果の最小化のためのシナプス重みを推定することにより学習を行う。提案手法は,シミュレーションにおけるロボットタスクと複雑なロボットタスクの両方を用いて評価し,限られた学習データを用いた学習における十分な一般化を実証した。
論文参考訳（メタデータ） (2020-05-27T06:43:59Z)
Towards Interpretable Deep Learning Models for Knowledge Tracing [62.75876617721375]
本稿では,深層学習に基づく知識追跡(DLKT)モデルの解釈可能性問題に対処するポストホック手法を提案する。具体的には、RNNに基づくDLKTモデルを解釈するために、レイヤワイズ関連伝搬法(LRP)を適用することに焦点をあてる。実験結果から,DLKTモデルの予測をLRP法で解釈できることを示す。
論文参考訳（メタデータ） (2020-05-13T04:03:21Z)
Structural Regularization [0.0]
本稿では,統計モデルの正則化として経済理論に基づく構造モデルを用いて,データモデリングの新しい手法を提案する。本手法は, 構造モデルと非構造正規化統計モデルの両方より優れていることを示す。
論文参考訳（メタデータ） (2020-04-27T06:47:07Z)
Introduction to Rare-Event Predictive Modeling for Inferential Statisticians -- A Hands-On Application in the Prediction of Breakthrough Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。両フィールド間の潜在的な相乗効果について考察する。我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文参考訳（メタデータ） (2020-03-30T13:06:25Z)

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。