論文の概要: Partial Identifiability in Discrete Data With Measurement Error
- arxiv url: http://arxiv.org/abs/2012.12449v1
- Date: Wed, 23 Dec 2020 02:11:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 18:16:30.464061
- Title: Partial Identifiability in Discrete Data With Measurement Error
- Title(参考訳): 測定誤差を伴う離散データの部分的識別可能性
- Authors: Noam Finkelstein, Roy Adams, Suchi Saria, Ilya Shpitser
- Abstract要約: 我々は、疑わしい前提の下で正確な識別を追求するよりも、妥当な仮定の下で境界を提示することが好ましいことを示す。
我々は線形プログラミング手法を用いて,実測誤差と実測誤差に対する鋭い境界を導出する。
- 参考スコア(独自算出の注目度): 16.421318211327314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When data contains measurement errors, it is necessary to make assumptions
relating the observed, erroneous data to the unobserved true phenomena of
interest. These assumptions should be justifiable on substantive grounds, but
are often motivated by mathematical convenience, for the sake of exactly
identifying the target of inference. We adopt the view that it is preferable to
present bounds under justifiable assumptions than to pursue exact
identification under dubious ones. To that end, we demonstrate how a broad
class of modeling assumptions involving discrete variables, including common
measurement error and conditional independence assumptions, can be expressed as
linear constraints on the parameters of the model. We then use linear
programming techniques to produce sharp bounds for factual and counterfactual
distributions under measurement error in such models. We additionally propose a
procedure for obtaining outer bounds on non-linear models. Our method yields
sharp bounds in a number of important settings -- such as the instrumental
variable scenario with measurement error -- for which no bounds were previously
known.
- Abstract(参考訳): データに測定誤差が含まれている場合、観測された誤ったデータを観測されていない真の現象と関連づける仮定をする必要がある。
これらの仮定は従属的な根拠で正当化されるべきであるが、推論のターゲットを正確に特定するため、しばしば数学的利便性によって動機づけられる。
我々は、疑わしい前提の下で正確な識別を追求するよりも、正当化可能な仮定の下で境界を示すことが好ましいという見解を採用する。
そこで本研究では,モデルパラメータの線形制約として,一般的な測定誤差や条件付き独立仮定を含む,離散変数を含む広範囲なモデリング仮定を表現できることを実証する。
次に、そのようなモデルにおける測定誤差の下で、実数分布と反実数分布の鋭い境界を生成するために線形プログラミング手法を用いる。
さらに,非線形モデルにおける外界を求める手法を提案する。
本手法では,計測誤差を持つ機器変数のシナリオなど,多くの重要な設定において,これまで境界が知られていなかったシャープな境界を求める。
関連論文リスト
- Parameter uncertainties for imperfect surrogate models in the low-noise regime [0.3069335774032178]
我々は、不特定、ほぼ決定論的シュロゲートモデルの一般化誤差を解析する。
遅れた一般化誤差を避けるために、後続分布が全ての訓練点をカバーする必要があることを示す。
これは、原子論的機械学習における1000次元データセットに適用する前に、モデル問題で実証される。
論文 参考訳(メタデータ) (2024-02-02T11:41:21Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳(メタデータ) (2023-06-13T03:42:03Z) - Sufficient Identification Conditions and Semiparametric Estimation under
Missing Not at Random Mechanisms [4.211128681972148]
統計的に有効な分析を行うことは、MNARデータの存在において困難である。
従来のMNARモデルを2つの方法で一般化したMNARモデルを考える。
そこで本稿では,確率比をパラメータとして,そのようなモデルで符号化された独立性制約をテストする手法を提案する。
論文 参考訳(メタデータ) (2023-06-10T13:46:16Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - Learning Robust Statistics for Simulation-based Inference under Model
Misspecification [23.331522354991527]
本稿では,シミュレーションに基づく推論手法の異なるクラスにまたがって機能するモデル不特定性を扱うための,最初の一般的なアプローチを提案する。
提案手法は,モデルが適切に特定された場合の精度を保ちながら,不特定シナリオにおいて頑健な推論をもたらすことを示す。
論文 参考訳(メタデータ) (2023-05-25T09:06:26Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳(メタデータ) (2022-11-11T19:34:17Z) - Monotonicity and Double Descent in Uncertainty Estimation with Gaussian
Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。
我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。
また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文 参考訳(メタデータ) (2022-10-14T08:09:33Z) - Evaluating Aleatoric Uncertainty via Conditional Generative Models [15.494774321257939]
本研究では,アレータティック不確実性推定のための条件生成モデルについて検討する。
本稿では,2つの条件分布間の差を測定するための2つの指標を提案する。
我々は,我々の測定値が条件分布の相違を正確に測定する方法を数値的に示す。
論文 参考訳(メタデータ) (2022-06-09T05:39:04Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳(メタデータ) (2020-09-01T15:08:23Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳(メタデータ) (2020-07-21T08:18:06Z) - Assumption-lean inference for generalised linear model parameters [0.0]
主効果推定と効果修正推定の非パラメトリックな定義を提案する。
これらのモデルが正しく指定されたとき、一般化された線形モデルにおける標準の主効果と効果の修正パラメータに還元される。
これらの推定値に対する仮定リーン推論を実現する。
論文 参考訳(メタデータ) (2020-06-15T13:49:48Z)
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。