論文の概要: Adversarial Estimation of Riesz Representers
- arxiv url: http://arxiv.org/abs/2101.00009v2
- Date: Mon, 15 Jan 2024 17:26:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 22:38:04.885283
- Title: Adversarial Estimation of Riesz Representers
- Title(参考訳): Riesz表現子の逆推定
- Authors: Victor Chernozhukov, Whitney Newey, Rahul Singh, Vasilis Syrgkanis
- Abstract要約: リース表現器は半パラメトリック推定線型汎函数の分散における鍵成分である。
一般関数空間を用いてRiesz表現子を推定する逆フレームワークを提案する。
- 参考スコア(独自算出の注目度): 23.498169909029986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many causal and structural parameters are linear functionals of an underlying
regression. The Riesz representer is a key component in the asymptotic variance
of a semiparametrically estimated linear functional. We propose an adversarial
framework to estimate the Riesz representer using general function spaces. We
prove a nonasymptotic mean square rate in terms of an abstract quantity called
the critical radius, then specialize it for neural networks, random forests,
and reproducing kernel Hilbert spaces as leading cases. Furthermore, we use
critical radius theory -- in place of Donsker theory -- to prove asymptotic
normality without sample splitting, uncovering a ``complexity-rate robustness''
condition. This condition has practical consequences: inference without sample
splitting is possible in several machine learning settings, which may improve
finite sample performance compared to sample splitting. Our estimators achieve
nominal coverage in highly nonlinear simulations where previous methods break
down. They shed new light on the heterogeneous effects of matching grants.
- Abstract(参考訳): 多くの因果的および構造的パラメータは、下層の回帰の線形汎関数である。
リース表現器は半パラメトリック推定線型汎函数の漸近分散における鍵成分である。
一般関数空間を用いてRiesz表現子を推定する逆フレームワークを提案する。
臨界半径と呼ばれる抽象的な量を用いて非漸近平均二乗率を証明し、それをニューラルネットワーク、ランダムフォレスト、カーネルヒルベルト空間を主ケースとして特殊化する。
さらに、ドンスカー理論の代わりに臨界半径理論を用い、サンプル分割をせずに漸近正規性を証明する。
サンプル分割のない推論は、いくつかの機械学習設定で可能であり、サンプル分割よりも有限標本性能が向上する可能性がある。
我々の推定器は, 従来手法が故障した高非線形シミュレーションにおいて, 名目的カバレッジを達成する。
彼らは一致する助成金の異質な効果に新しい光を当てた。
関連論文リスト
- Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Nonparametric Quantile Regression: Non-Crossing Constraints and
Conformal Prediction [2.654399717608053]
本稿では,線形単位ペナルティ関数を補正したディープニューラルネットワークを用いた非パラメトリック量子レグレッション法を提案し,量子交差を回避する。
提案した非パラメトリック量子化回帰関数推定器の過剰リスクに対する非漸近上界を確立する。
シミュレーション研究と実データ例を含む数値実験を行い,提案手法の有効性を実証した。
論文 参考訳(メタデータ) (2022-10-18T20:59:48Z) - Off-policy estimation of linear functionals: Non-asymptotic theory for
semi-parametric efficiency [59.48096489854697]
観測データに基づいて線形汎関数を推定する問題は、因果推論と包帯文献の両方において標準的である。
このような手順の平均二乗誤差に対して非漸近上界を証明した。
非漸近的局所ミニマックス下限をマッチングすることにより、有限標本のインスタンス依存最適性を確立する。
論文 参考訳(メタデータ) (2022-09-26T23:50:55Z) - Mitigating multiple descents: A model-agnostic framework for risk
monotonization [84.6382406922369]
クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。
本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
論文 参考訳(メタデータ) (2022-05-25T17:41:40Z) - Random Forest Weighted Local Fr\'echet Regression with Random Objects [52.25304029942005]
本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。
最初の方法は,これらの重みを局所平均として利用し,条件付きFr'echet平均を解く。
第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-10T09:10:59Z) - Fluctuations, Bias, Variance & Ensemble of Learners: Exact Asymptotics
for Convex Losses in High-Dimension [25.711297863946193]
我々は、異なる、しかし相関のある特徴に基づいて訓練された一般化線形モデルの集合における揺らぎの研究の理論を開発する。
一般凸損失と高次元限界における正則化のための経験的リスク最小化器の結合分布の完全な記述を提供する。
論文 参考訳(メタデータ) (2022-01-31T17:44:58Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - Oversampling Divide-and-conquer for Response-skewed Kernel Ridge
Regression [20.00435452480056]
本研究では,分割・分散手法の限界を克服するために,新しい応答適応分割戦略を開発する。
提案手法は, 従来のダックKRR推定値よりも小さい平均二乗誤差(AMSE)を有することを示す。
論文 参考訳(メタデータ) (2021-07-13T04:01:04Z) - On the Universality of the Double Descent Peak in Ridgeless Regression [0.0]
リッジレス線形回帰におけるラベルノイズに起因する平均2乗誤差の非漸近分布非依存的下界を証明した。
我々の下界は、過大化(補間)体制と同じような既知の結果を一般化する。
論文 参考訳(メタデータ) (2020-10-05T08:30:25Z) - Non-asymptotic Optimal Prediction Error for Growing-dimensional
Partially Functional Linear Models [0.951828574518325]
予測誤差の最大値と最大値の上限を示す。
過剰な予測リスクの正確な上限は、非漸近的な形で示される。
モデルのKulback-Leibler分散の正則性仮定の下で、非漸近ミニマックス下界を導出する。
論文 参考訳(メタデータ) (2020-09-10T08:49:32Z)
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。