論文の概要: DoubleML -- An Object-Oriented Implementation of Double Machine Learning in R

• arxiv url: http://arxiv.org/abs/2103.09603v6
• Date: Wed, 5 Jun 2024 12:09:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 05:08:03.918784
• Title: DoubleML -- An Object-Oriented Implementation of Double Machine Learning in R
• Title（参考訳）: DoubleML - Rにおけるダブル機械学習のオブジェクト指向実装
• Authors: Philipp Bach, Victor Chernozhukov, Malte S. Kurz, Martin Spindler, Sven Klaassen,
• Abstract要約: RパッケージのDoubleMLは、ダブル/デバイアスの機械学習フレームワークを実装している。 機械学習手法に基づいた因果モデルでパラメータを推定する機能を提供する。
• 参考スコア（独自算出の注目度）: 4.830430752756141
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The R package DoubleML implements the double/debiased machine learning framework of Chernozhukov et al. (2018). It provides functionalities to estimate parameters in causal models based on machine learning methods. The double machine learning framework consist of three key ingredients: Neyman orthogonality, high-quality machine learning estimation and sample splitting. Estimation of nuisance components can be performed by various state-of-the-art machine learning methods that are available in the mlr3 ecosystem. DoubleML makes it possible to perform inference in a variety of causal models, including partially linear and interactive regression models and their extensions to instrumental variable estimation. The object-oriented implementation of DoubleML enables a high flexibility for the model specification and makes it easily extendable. This paper serves as an introduction to the double machine learning framework and the R package DoubleML. In reproducible code examples with simulated and real data sets, we demonstrate how DoubleML users can perform valid inference based on machine learning methods.
• Abstract（参考訳）: RパッケージDoubleMLはChernozhukov et al (2018)のダブル/デバイアスの機械学習フレームワークを実装している。 機械学習手法に基づいた因果モデルでパラメータを推定する機能を提供する。 ダブル機械学習フレームワークは、Neymanの直交性、高品質な機械学習推定、サンプル分割という3つの重要な要素で構成されている。 ニュアンスコンポーネントの推定は、mlr3エコシステムで利用可能なさまざまな最先端の機械学習手法によって行うことができる。 DoubleMLは、部分的に線形でインタラクティブな回帰モデルや、機器変数推定の拡張を含む、さまざまな因果モデルで推論を行うことができる。 DoubleMLのオブジェクト指向実装は、モデル仕様の柔軟性を高め、容易に拡張できるようにする。 本稿では、Double Machine LearningフレームワークとRパッケージDoubleMLについて紹介する。 シミュレーションおよび実データを用いた再現可能なコード例では、DoubleMLユーザーが機械学習手法に基づいて有効な推論を行うことができることを示す。

関連論文リスト

• Verbalized Machine Learning: Revisiting Machine Learning with Language Models [63.10391314749408]
  言語化機械学習(VML)の枠組みを紹介する。 VMLはパラメータ空間を人間の解釈可能な自然言語に制限する。 我々は,VMLの有効性を実証的に検証し,VMLがより強力な解釈可能性を実現するためのステップストーンとして機能することを期待する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:56Z)
• Hyperparameter Tuning for Causal Inference with Double Machine Learning: A Simulation Study [4.526082390949313]
  機械学習手法の予測性能と結果の因果推定との関係を実証的に評価する。 我々は,2019 Atlantic Causal Inference Conference Data Challengeのデータを用いて,広範囲にわたるシミュレーション研究を行う。
  論文  参考訳（メタデータ） (2024-02-07T09:01:51Z)
• Model Averaging and Double Machine Learning [2.6436521007616114]
  DDMLは, 従来の代替手法よりも, 部分的に未知の機能形式に対して頑健であることを示す。 提案を実装したStaとRのソフトウェアを提供する。
  論文  参考訳（メタデータ） (2024-01-03T09:38:13Z)
• Language models are weak learners [71.33837923104808]
  本研究では,プロンプトベースの大規模言語モデルは弱い学習者として効果的に動作可能であることを示す。 これらのモデルをブースティングアプローチに組み込むことで、モデル内の知識を活用して、従来のツリーベースのブースティングよりも優れています。 結果は、プロンプトベースのLLMが、少数の学習者だけでなく、より大きな機械学習パイプラインのコンポーネントとして機能する可能性を示している。
  論文  参考訳（メタデータ） (2023-06-25T02:39:19Z)
• CodeGen2: Lessons for Training LLMs on Programming and Natural Languages [116.74407069443895]
  我々はエンコーダとデコーダベースのモデルを単一のプレフィックスLMに統一する。 学習方法は,「フリーランチ」仮説の主張を考察する。 データ配信においては,混合分布と多言語学習がモデル性能に及ぼす影響について検討した。
  論文  参考訳（メタデータ） (2023-05-03T17:55:25Z)
• ddml: Double/debiased machine learning in Stata [2.8880000014100506]
  本稿では,Double/Debiased Machine Learning (DDML) のパッケージ ddml について紹介する。 ddmlは、スタタの既存の教師付き機械学習プログラムと互換性がある。
  論文  参考訳（メタデータ） (2023-01-23T12:37:34Z)
• Dual Learning for Large Vocabulary On-Device ASR [64.10124092250128]
  デュアル・ラーニング(英: Dual learning)は、教師なしのデータを一度に2つの逆のタスクを解くことによって活用しようとする、半教師なし機械学習のパラダイムである。 本稿では,Librispeech全体をトレーニングしたオンデバイスサイズのストリーミングコンバータの解析を行い,LMを使わずにWERを10.7%/5.2%,LMを11.7%/16.4%改善したことを示す。
  論文  参考訳（メタデータ） (2023-01-11T06:32:28Z)
• Certifiable Machine Unlearning for Linear Models [1.484852576248587]
  機械学習は、トレーニングされたトレーニングデータのサブセットが削除された後、機械学習(ML)モデルを更新するタスクである。 本稿では,線形モデルに対する3つの非学習手法について実験的に検討する。
  論文  参考訳（メタデータ） (2021-06-29T05:05:58Z)
• DoubleML -- An Object-Oriented Implementation of Double Machine Learning in Python [1.4911092205861822]
  DoubleMLはオープンソースのPythonライブラリで、Chernozhukovらのダブル機械学習フレームワークを実装している。 パラメータの推定が機械学習手法に基づく場合、因果パラメータの統計的推測に有効な機能を含む。 このパッケージはMITライセンスで配布されており、科学的なPythonエコシステムのコアライブラリに依存している。
  論文  参考訳（メタデータ） (2021-04-07T16:16:39Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• Transfer Learning without Knowing: Reprogramming Black-box Machine Learning Models with Scarce Data and Limited Resources [78.72922528736011]
  そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。 ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。 BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
  論文  参考訳（メタデータ） (2020-07-17T01:52:34Z)

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。