論文の概要: Learning a high-dimensional classification rule using auxiliary outcomes
- arxiv url: http://arxiv.org/abs/2011.05493v1
- Date: Wed, 11 Nov 2020 01:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 00:43:58.201262
- Title: Learning a high-dimensional classification rule using auxiliary outcomes
- Title(参考訳): 補助結果を用いた高次元分類規則の学習
- Authors: Muxuan Liang, Xiang Zhong, Jaeyoung Park
- Abstract要約: 我々は、利害関係の分類規則を補助的な結果の有無で推定する頑健なアプローチを開発する。
プール型推定器が低い推定誤差とスパース対宇宙偏差を持つ場合, キャリブレーション型推定器は, 利害関係の単一結果のみを用いる場合よりも低い推定誤差が得られることを示す。
- 参考スコア(独自算出の注目度): 2.916636319274077
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Correlated outcomes are common in many practical problems. Based on a
decomposition of estimation bias into two types, within-subspace and
against-subspace, we develop a robust approach to estimating the classification
rule for the outcome of interest with the presence of auxiliary outcomes in
high-dimensional settings. The proposed method includes a pooled estimation
step using all outcomes to gain efficiency, and a subsequent calibration step
using only the outcome of interest to correct both types of biases. We show
that when the pooled estimator has a low estimation error and a sparse
against-subspace bias, the calibrated estimator can achieve a lower estimation
error than that when using only the single outcome of interest. An inference
procedure for the calibrated estimator is also provided. Simulations and a real
data analysis are conducted to justify the superiority of the proposed method.
- Abstract(参考訳): 関連する結果は、多くの実践的な問題に共通している。
推定バイアスを内部空間と反空間の2つのタイプに分解し,高次元環境下での補助的な結果の存在により,利害関係の分類規則を推定する頑健な手法を開発した。
提案手法は,すべての結果を用いて効率を上げるプール推定ステップと,両種類のバイアスを補正するための関心結果のみを用いたキャリブレーションステップとを含む。
本研究では,プール型推定器が推定誤差が低く,反サブスペースバイアスが小さい場合には,単一の利得結果のみを使用する場合よりも推定誤差が低くなることを示す。
校正された推定器の推論手順も提供される。
提案手法の優位性を正当化するためにシミュレーションと実データ解析を行った。
関連論文リスト
- Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳(メタデータ) (2023-07-03T14:27:15Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Learning Bias-Invariant Representation by Cross-Sample Mutual
Information Minimization [77.8735802150511]
対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。
相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。
我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
論文 参考訳(メタデータ) (2021-08-11T21:17:02Z) - Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。
本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
論文 参考訳(メタデータ) (2021-07-28T05:18:10Z) - Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。
本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。
自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
論文 参考訳(メタデータ) (2021-06-07T17:47:16Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳(メタデータ) (2021-05-11T03:38:16Z) - Counterfactual Propagation for Semi-Supervised Individual Treatment
Effect Estimation [21.285425135761795]
個別治療効果(英: individual treatment effect、ITE)とは、特定の標的に特定の行動をとる結果の期待された改善を示す。
本研究では、より容易に利用可能な未ラベルのインスタンスを利用する半教師付きITE推定問題について考察する。
本稿では,最初の半教師付きITT推定法である反実伝搬法を提案する。
論文 参考訳(メタデータ) (2020-05-11T13:32:38Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
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。