論文の概要: Uniform Inference in High-Dimensional Generalized Additive Models
- arxiv url: http://arxiv.org/abs/2004.01623v1
- Date: Fri, 3 Apr 2020 15:30:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 05:02:47.343045
- Title: Uniform Inference in High-Dimensional Generalized Additive Models
- Title(参考訳): 高次元一般化付加モデルにおける一様推論
- Authors: Philipp Bach, Sven Klaassen, Jannis Kueck, Martin Spindler
- Abstract要約: シーブ推定を採用し、それを高次元Z推定フレームワークに埋め込む。
提案手法は, 小サンプルであっても, 推定特性とカバレッジ特性について信頼性の高い結果を与える。
- 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: We develop a method for uniform valid confidence bands of a nonparametric
component $f_1$ in the general additive model $Y=f_1(X_1)+\ldots + f_p(X_p) +
\varepsilon$ in a high-dimensional setting. We employ sieve estimation and
embed it in a high-dimensional Z-estimation framework allowing us to construct
uniformly valid confidence bands for the first component $f_1$. As usual in
high-dimensional settings where the number of regressors $p$ may increase with
sample, a sparsity assumption is critical for the analysis. We also run
simulations studies which show that our proposed method gives reliable results
concerning the estimation properties and coverage properties even in small
samples. Finally, we illustrate our procedure with an empirical application
demonstrating the implementation and the use of the proposed method in
practice.
- Abstract(参考訳): 一般加法モデル $y=f_1(x_1)+\ldots + f_p(x_p) + \varepsilon$ における非パラメトリック成分 $f_1$ の一様有効信頼帯法を開発した。
シーブ推定を採用し、それを高次元Z推定フレームワークに埋め込むことで、最初のコンポーネント$f_1$に対して一様に有効な信頼バンドを構築することができる。
通常、サンプルでレグレッサー数を増加させるような高次元の設定では、スパーシティの仮定は解析に不可欠である。
また,提案手法が小標本においても推定特性と被覆特性について信頼性の高い結果を与えることを示すシミュレーション実験を行った。
最後に,提案手法の実装と実用化を実証した実証アプリケーションを用いて提案手法について述べる。
関連論文リスト
- Certified $\ell_2$ Attribution Robustness via Uniformly Smoothed Attributions [20.487079380753876]
本研究では,ある空間から一様にサンプリングされた雑音によってバニラ属性を増大させる一様平滑化手法を提案する。
攻撃領域内の全ての摂動に対して、摂動試料の均一なスムーズな属性と非摂動試料とのコサイン類似性を低くすることが保証された。
論文 参考訳(メタデータ) (2024-05-10T09:56:02Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳(メタデータ) (2023-10-21T18:48:45Z) - FABind: Fast and Accurate Protein-Ligand Binding [127.7790493202716]
$mathbfFABind$はポケット予測とドッキングを組み合わせたエンドツーエンドモデルで、正確で高速なタンパク質-リガンド結合を実現する。
提案モデルでは,既存手法と比較して有効性と効率性に強い利点が示される。
論文 参考訳(メタデータ) (2023-10-10T16:39:47Z) - Efficient Epistemic Uncertainty Estimation in Regression Ensemble Models
Using Pairwise-Distance Estimators [21.098866735156207]
ペアワイズ距離推定器(PaiDEs)はエントロピー上の境界を確立する。
サンプルベースのモンテカルロ推定器とは異なり、PaiDEは最大100倍の速度でてんかんの不確実性を推定する顕著な能力を示す。
我々は,既存の能動学習手法と比較し,高次元回帰タスクにおいて,我々のアプローチが優れていることを見出した。
論文 参考訳(メタデータ) (2023-08-25T17:13:42Z) - Progressive Ensemble Distillation: Building Ensembles for Efficient
Inference [32.60057845566007]
事前学習した教師モデルをより小さく、低推論コストの学生モデルに分解する。
結果として得られるアンサンブルは、実行時の推論コストに対して、柔軟に精度を調整できる。
標準画像,音声,センサデータセット間で事前学習したモデルを分解することで,B-DISTILの有効性を示す。
論文 参考訳(メタデータ) (2023-02-20T16:57:44Z) - Bayesian Estimation of Differential Privacy [0.0]
Differentially Private SGDは、正式なプライバシ保証を備えた機械学習モデルのトレーニングを可能にする。
このようなアルゴリズムが理論的に保証する保護と、実際に得られる保護との間には相違点がある。
本稿では,プライバシ予算の信頼区間として,差分プライベートトレーニングによって得られる保護を実証的に評価する。
論文 参考訳(メタデータ) (2022-06-10T15:57:18Z) - Adaptive Estimation and Uniform Confidence Bands for Nonparametric
Structural Functions and Elasticities [2.07706336594149]
非パラメトリックモデルにおいて、最適推定と推論のための2つのデータ駆動手法を導入する。
我々は、国際貿易の独占的競争モデルにおいて、ファーム輸出の集中的マージンの弾力性を推定する。
論文 参考訳(メタデータ) (2021-07-25T18:46:33Z) - CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。
様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文 参考訳(メタデータ) (2020-10-22T12:39:11Z) - Sharp Statistical Guarantees for Adversarially Robust Gaussian
Classification [54.22421582955454]
逆向きに頑健な分類の過剰リスクに対する最適ミニマックス保証の最初の結果を提供する。
結果はAdvSNR(Adversarial Signal-to-Noise Ratio)の項で述べられており、これは標準的な線形分類と逆数設定との類似の考え方を一般化している。
論文 参考訳(メタデータ) (2020-06-29T21:06:52Z) - $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a
Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。
本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文 参考訳(メタデータ) (2020-06-13T06:09:27Z) - Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。
強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文 参考訳(メタデータ) (2020-03-05T19:56:23Z)
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。