Fugu-MT 論文翻訳(概要): Group-matching algorithms for subjects and items

論文の概要: Group-matching algorithms for subjects and items

arxiv url: http://arxiv.org/abs/2110.04432v1
Date: Sat, 9 Oct 2021 02:44:31 GMT
ステータス: 処理完了
システム内更新日: 2021-10-17 04:34:40.453219
Title: Group-matching algorithms for subjects and items
Title（参考訳）: 対象と項目のグループマッチングアルゴリズム
Authors: G\'eza Kiss and Kyle Gorman and Jan P.H. van Santen
Abstract要約: 得られた群が平均値に対して統計的に類似しているような整合群を構築するという問題を考察する。実世界および実世界のデータセットを用いて,ldamatchパッケージが高品質なマッチングを生成することを示す。
参考スコア（独自算出の注目度）: 6.739368462094944
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of constructing matched groups such that the resulting groups are statistically similar with respect to their average values for multiple covariates. This group-matching problem arises in many cases, including quasi-experimental and observational studies in which subjects or items are sampled from pre-existing groups, scenarios in which traditional pair-matching approaches may be inappropriate. We consider the case in which one is provided with an existing sample and iteratively eliminates samples so that the groups "match" according to arbitrary statistically-defined criteria. This problem is NP-hard. However, using artificial and real-world data sets, we show that heuristics implemented by the ldamatch package produce high-quality matches.
Abstract（参考訳）: 複数の共変量に対する平均値に関して、結果群が統計的に類似しているようなマッチング群を構成する問題を考える。このグループマッチング問題は、従来のペアマッチングアプローチが不適切であるシナリオである既存のグループから被験者やアイテムをサンプリングする準実験的および観察的な研究を含む、多くのケースで発生する。既存のサンプルが提供され、任意の統計的に定義された基準に従って群が「一致する」ように、サンプルを反復的に取り除く場合を考える。この問題はNPハードである。しかし,ldamatchパッケージによって実装されたヒューリスティックは,人工的および実世界のデータセットを用いて高品質なマッチングを生成する。

関連論文リスト

Interpretable Clustering with the Distinguishability Criterion [0.4419843514606336]
本稿では,特定クラスタの分離可能性の定量化と推定クラスタ構成の検証を行うために,分散可能性基準と呼ばれるグローバルな基準を提案する。本稿では、分散可能性基準と多くの一般的なクラスタリング手順を統合した損失関数に基づく計算フレームワークを提案する。シミュレーション研究および実データアプリケーションに基づく包括的データ解析の結果とともに,これらの新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-04-24T16:38:15Z)
A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文参考訳（メタデータ） (2024-01-26T14:21:45Z)
Multi-Group Fairness Evaluation via Conditional Value-at-Risk Testing [24.553384023323332]
本研究では,条件付き値-at-Riskに基づく性能格差のテスト手法を提案する。性能違反を発見するのに必要なサンプルの複雑さは指数関数的に減少し、群数の平方根によって最も上界にあることを示す。
論文参考訳（メタデータ） (2023-12-06T19:25:32Z)
Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning [1.0878040851638]
我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
論文参考訳（メタデータ） (2023-10-12T01:41:47Z)
Concomitant Group Testing [49.50984893039441]
肯定的なテストが複数種類の項目の組み合わせを必要とするという考え方を捉えたグループテストの問題のバリエーションを紹介した。目標は、可能な限り少数のテストを使用して、半欠陥セットをすべて確実に識別することである。我々のアルゴリズムは、(i)決定性(ゼロエラー)かランダム化(小エラー)か、(ii)非適応性(非適応性)、完全適応性(完全適応性)、あるいは限定適応性(限定適応性)かによって区別される。
論文参考訳（メタデータ） (2023-09-08T09:11:12Z)
HiPerformer: Hierarchically Permutation-Equivariant Transformer for Time Series Forecasting [56.95572957863576]
本稿では,同じ群を構成する成分間の関係と群間の関係を考察した階層的置換同変モデルを提案する。実世界のデータを用いた実験により,提案手法が既存の最先端手法より優れていることを示す。
論文参考訳（メタデータ） (2023-05-14T05:11:52Z)
Beyond Adult and COMPAS: Fairness in Multi-Class Prediction [8.405162568925405]
我々は、この問題を、事前訓練された(そして潜在的に不公平な)分類器を、対象のグループフェアネス要件を満たすモデルの集合に「投影する」という観点で定式化する。投影された分類器を並列化して計算し、サンプルの複雑性と収束保証の両方を導出する反復アルゴリズムを提案する。また,複数のクラス,複数の交差保護グループ,100万以上のサンプルを持つオープンデータセット上で,本手法を大規模に評価した。
論文参考訳（メタデータ） (2022-06-15T20:29:33Z)
Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
入力サンプルとターゲットラベルの間に急激な相関関係があるニューラルネットワークの予測を誤った方向に導く本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
論文参考訳（メタデータ） (2022-01-10T22:04:48Z)
Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文参考訳（メタデータ） (2021-10-08T13:51:55Z)
Group Testing with Non-identical Infection Probabilities [59.96266198512243]
そこで我々は,集合形成法を用いた適応型グループテストアルゴリズムを開発した。提案アルゴリズムは, エントロピー下界に近い性能を示す。
論文参考訳（メタデータ） (2021-08-27T17:53:25Z)
Testing Group Fairness via Optimal Transport Projections [12.972104025246091]
提案試験は, 摂動に偏りを示すか, データのランダム性に起因するかを評価するための, 柔軟な, 解釈可能な, 統計的に厳密なツールである。グループフェアネスを定義する複数の影響基準から生じる可能性のある統計的課題は、グループフェア確率モデルの集合に経験的測度を投影することによって、都合よく取り組まれる。提案フレームワークは,複数属性の合成固有フェアネス仮説およびフェアネスの試験にも使用することができる。
論文参考訳（メタデータ） (2021-06-02T10:51:39Z)

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。