論文の概要: Conditional Selective Inference for Robust Regression and Outlier Detection using Piecewise-Linear Homotopy Continuation

• arxiv url: http://arxiv.org/abs/2104.10840v1
• Date: Thu, 22 Apr 2021 03:01:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 14:05:29.913799
• Title: Conditional Selective Inference for Robust Regression and Outlier Detection using Piecewise-Linear Homotopy Continuation
• Title（参考訳）: 分割線形ホモトピー継続を用いたロバスト回帰・異常検出のための条件付き選択的推論
• Authors: Toshiaki Tsukurimichi, Yu Inatsu, Vo Nguyen Le Duy, Ichiro Takeuchi
• Abstract要約: アウトプライヤ除去後のモデル推定の統計的推論を検討する。 提案した条件付きSI法は, 広範囲の頑健な回帰法と外れ値検出法に適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 16.443165965475096
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical data analysis under noisy environment, it is common to first use robust methods to identify outliers, and then to conduct further analysis after removing the outliers. In this paper, we consider statistical inference of the model estimated after outliers are removed, which can be interpreted as a selective inference (SI) problem. To use conditional SI framework, it is necessary to characterize the events of how the robust method identifies outliers. Unfortunately, the existing methods cannot be directly used here because they are applicable to the case where the selection events can be represented by linear/quadratic constraints. In this paper, we propose a conditional SI method for popular robust regressions by using homotopy method. We show that the proposed conditional SI method is applicable to a wide class of robust regression and outlier detection methods and has good empirical performance on both synthetic data and real data experiments.
• Abstract（参考訳）: 雑音環境下の実データ解析では,まずロバストな手法を用いて異常値を特定し,その後異常値除去後のさらなる解析を行うことが一般的である。 本稿では,外乱が除去された後に推定されるモデルの統計的推測を,選択推論(SI)問題と解釈できると考えている。 条件付きSIフレームワークを使用するには、ロバストなメソッドがアウトリーチを識別する方法のイベントを特徴付ける必要がある。 残念ながら、選択イベントが線形/二次制約によって表現できる場合に適用できるため、既存のメソッドはここで直接使用することができない。 本稿では,ホモトピー手法を用いて,一般的なロバスト回帰に対する条件付きSI法を提案する。 提案した条件付きSI法は, 広範囲の頑健な回帰法と外れ値検出法に適用可能であり, 合成データと実データの両方において良好な実験性能を有することを示す。

関連論文リスト

• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Hypothesis Testing for Class-Conditional Noise Using Local Maximum Likelihood [1.8798171797988192]
  教師付き学習では、学習が行われる前にラベルの質を自動的に評価することがオープンな研究課題である。 本稿では,本モデルが局所極大近似推定の積である場合,同様の手順を踏襲できることを示す。 この異なるビューは、よりリッチなモデルクラスへのアクセスを提供することで、テストのより広範な適用を可能にする。
  論文  参考訳（メタデータ） (2023-12-15T22:14:58Z)
• Distributionally Robust Skeleton Learning of Discrete Bayesian Networks [9.46389554092506]
  我々は、潜在的に破損したデータから一般的な離散ベイズネットワークの正確なスケルトンを学習する問題を考察する。 本稿では,有界ワッサーシュタイン距離(KL)における分布群に対する最も有害なリスクを,経験的分布へのKL分散を最適化することを提案する。 本稿では,提案手法が標準正規化回帰手法と密接に関連していることを示す。
  論文  参考訳（メタデータ） (2023-11-10T15:33:19Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• 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)
• 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)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• Logistic Regression Through the Veil of Imprecise Data [0.0]
  ロジスティック回帰は、いくつかの予測変数に基づいて結果の確率を評価する重要な統計ツールである。 標準的な手法は、正確に知られているデータのみを扱うことができるが、多くのデータセットには、従来の手法が単一ポイントに縮小するか、完全に無視されるかの不確実性がある。
  論文  参考訳（メタデータ） (2021-06-01T13:51:46Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
  最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。 本手法は既存の不一致対策よりも高いロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-06-13T06:09:27Z)

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。