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
- Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳(メタデータ) (2023-11-03T13:20:11Z) - 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) - A Robustness Analysis of Blind Source Separation [91.3755431537592]
ブラインドソース分離(BSS)は、変換$f$が可逆であるが未知であるという条件の下で、その混合である$X=f(S)$から観測されていない信号を復元することを目的としている。
このような違反を分析し、その影響を$X$から$S$のブラインドリカバリに与える影響を定量化するための一般的なフレームワークを提案する。
定義された構造的仮定からの偏差に対する一般的なBSS溶出は、明示的な連続性保証という形で、利益的に分析可能であることを示す。
論文 参考訳(メタデータ) (2023-03-17T16:30:51Z) - 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) - Convergence for score-based generative modeling with polynomial
complexity [9.953088581242845]
我々は、Scoreベースの生成モデルの背後にあるコアメカニックに対する最初の収束保証を証明した。
以前の作品と比較すると、時間的に指数関数的に増加するエラーや、次元の呪いに苦しむエラーは発生しない。
予測器・相関器はどちらの部分のみを使用するよりも収束性が高いことを示す。
論文 参考訳(メタデータ) (2022-06-13T14:57:35Z) - 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) - PSD Representations for Effective Probability Models [117.35298398434628]
最近提案された非負関数に対する正半定値(PSD)モデルがこの目的に特に適していることを示す。
我々はPSDモデルの近似と一般化能力の両方を特徴付け、それらが強い理論的保証を享受していることを示す。
本研究では,PSDモデルの密度推定,決定理論,推論への応用への道を開く。
論文 参考訳(メタデータ) (2021-06-30T15:13:39Z) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳(メタデータ) (2021-01-15T11:39:09Z) - 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$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文 参考訳(メタデータ) (2020-03-05T19:56:23Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z) - A Precise High-Dimensional Asymptotic Theory for Boosting and
Minimum-$\ell_1$-Norm Interpolated Classifiers [3.167685495996986]
本稿では,分離可能なデータの強化に関する高精度な高次元理論を確立する。
統計モデルのクラスでは、ブースティングの普遍性誤差を正確に解析する。
また, 推力試験誤差と最適ベイズ誤差の関係を明示的に説明する。
論文 参考訳(メタデータ) (2020-02-05T00:24:53Z)
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。