論文の概要: Efficient nonparametric statistical inference on population feature
importance using Shapley values
- arxiv url: http://arxiv.org/abs/2006.09481v1
- Date: Tue, 16 Jun 2020 19:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 21:24:05.169290
- Title: Efficient nonparametric statistical inference on population feature
importance using Shapley values
- Title(参考訳): シェープリー値を用いた人口特徴量の効率的な非パラメトリック統計的推定
- Authors: Brian D. Williamson and Jean Feng
- Abstract要約: 本稿では,SPVIM(Shapley Population Variable Importance Measure)を用いた統計的推定手法を提案する。
真の SPVIM の計算複雑性は変数数とともに指数関数的に増大するが, ランダムサンプリングのみに基づく推定器を提案する。
提案手法はシミュレーションにおける有限サンプル性能が良好であり, 異なる機械学習アルゴリズムを適用した場合, ホスピタル内予測タスクでも同様の変数重要度推定が可能である。
- 参考スコア(独自算出の注目度): 7.6146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The true population-level importance of a variable in a prediction task
provides useful knowledge about the underlying data-generating mechanism and
can help in deciding which measurements to collect in subsequent experiments.
Valid statistical inference on this importance is a key component in
understanding the population of interest. We present a computationally
efficient procedure for estimating and obtaining valid statistical inference on
the Shapley Population Variable Importance Measure (SPVIM). Although the
computational complexity of the true SPVIM scales exponentially with the number
of variables, we propose an estimator based on randomly sampling only
$\Theta(n)$ feature subsets given $n$ observations. We prove that our estimator
converges at an asymptotically optimal rate. Moreover, by deriving the
asymptotic distribution of our estimator, we construct valid confidence
intervals and hypothesis tests. Our procedure has good finite-sample
performance in simulations, and for an in-hospital mortality prediction task
produces similar variable importance estimates when different machine learning
algorithms are applied.
- Abstract(参考訳): 予測タスクにおける変数の真の集団レベルの重要性は、基礎となるデータ生成メカニズムに関する有用な知識を提供し、その後の実験で収集する測定値を決定するのに役立つ。
この重要性に関する統計的推測は、関心の人口を理解する上で重要な要素である。
本稿では,SPVIM(Shapley Population Variable Importance Measure)を用いて,有効統計量の推定と推定を行う。
真の SPVIM の計算複雑性は変数の数に比例して指数関数的にスケールするが, ランダムサンプリングのみを$\Theta(n)$ とする特徴部分集合を$n$ とする推定器を提案する。
推定器が漸近的に最適な速度で収束することを示す。
さらに、推定器の漸近分布を導出することにより、有効な信頼区間と仮説テストを構築する。
本手法はシミュレーションにおける有限サンプル性能が良好であり,院内死亡予測タスクでは,異なる機械学習アルゴリズムを適用した場合と同様の変数重要度推定を行う。
関連論文リスト
- A Provably Accurate Randomized Sampling Algorithm for Logistic
Regression [3.2996723916635267]
本稿では,ロジスティック回帰問題に対する単純なランダム化サンプリングに基づくアルゴリズムを提案する。
正確な近似は、観測総数よりもはるかに小さい試料で達成できることを示す。
概して、ロジスティック回帰における推定確率を効率的に近似するためにランダム化サンプリング手法を用いる可能性に光を当てている。
論文 参考訳(メタデータ) (2024-02-26T06:20:28Z) - Large Dimensional Independent Component Analysis: Statistical Optimality
and Computational Tractability [13.104413212606577]
独立成分分析(ICA)における最適統計性能と計算制約の影響について検討する。
最適サンプルの複雑性は次元において線形であることが示される。
我々は,最適サンプルの複雑性と最小収束率の両立が可能な計算抽出可能な推定値を開発する。
論文 参考訳(メタデータ) (2023-03-31T15:46:30Z) - Prediction-Powered Inference [68.97619568620709]
予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。
このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。
予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
論文 参考訳(メタデータ) (2023-01-23T18:59:28Z) - Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。
これらの結果はサンプル状態と有限状態の両方で定式化する。
論文 参考訳(メタデータ) (2022-10-03T06:09:01Z) - Semi-Supervised Quantile Estimation: Robust and Efficient Inference in
High Dimensional Settings [0.07031569227782805]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。
本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文 参考訳(メタデータ) (2022-01-25T10:02:23Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - Uncertainty Quantification in Extreme Learning Machine: Analytical
Developments, Variance Estimates and Confidence Intervals [0.0]
不確かさの定量化は、機械学習モデルの予測品質を評価するために不可欠である。
文献で提案されるほとんどの手法は、データに対して強い仮定を行い、入力重みのランダム性を無視したり、信頼区間推定におけるバイアス寄与を無視したりする。
本稿では,これらの制約を克服し,EMMの多様性の理解を向上させる新しい推定法を提案する。
論文 参考訳(メタデータ) (2020-11-03T13:45:59Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。
本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
論文 参考訳(メタデータ) (2020-05-22T22:30:52Z) - Localized Debiased Machine Learning: Efficient Inference on Quantile
Treatment Effects and Beyond [69.83813153444115]
因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。
Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。
本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
論文 参考訳(メタデータ) (2019-12-30T14:42:52Z)
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。