論文の概要: Black-box Selective Inference via Bootstrapping

• arxiv url: http://arxiv.org/abs/2203.14504v1
• Date: Mon, 28 Mar 2022 05:18:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 16:36:25.787810
• Title: Black-box Selective Inference via Bootstrapping
• Title（参考訳）: ブートストラップによるブラックボックス選択推論
• Authors: Sifan Liu, Jelena Markovic, Jonathan Taylor
• Abstract要約: ブラックボックスであるモデル選択手順の後に選択推論を行う手法を提案する。 ブートストラップされたデータセット上でモデル選択手順を繰り返し実行することにより、選択イベントを示すバイナリ応答を持つトレーニングデータを生成することができる。 構成された信頼区間は、対象パラメータの近傍で十分な選択確率を学習できれば有効であることを示す。
• 参考スコア（独自算出の注目度）: 8.590269124247024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a method for selective inference after a model selection procedure that is potentially a black box. In the conditional post-selection inference framework, a crucial quantity in determining the post-selection distribution of a test statistic is the probability of selecting the model conditional on the statistic. By repeatedly running the model selection procedure on bootstrapped datasets, we can generate training data with binary responses indicating the selection event as well as specially designed covariates, which are then used to learn the selection probability. We prove that the constructed confidence intervals are asymptotically valid if we can learn the selection probability sufficiently well around a neighborhood of the target parameter. The validity of the proposed algorithm is verified by several examples.
• Abstract（参考訳）: 本稿では,ブラックボックスとなる可能性のあるモデル選択手順の後に選択推論を行う手法を提案する。 条件付き選択後推論フレームワークにおいて、テスト統計量の選択後分布を決定する重要な量は、統計上のモデル条件を選択する確率である。 ブートストラップされたデータセット上でモデル選択手順を繰り返し実行することにより、選択イベントを示すバイナリ応答と、特別に設計された共変量を含むトレーニングデータを生成し、選択確率を学習する。 構成された信頼区間は、対象パラメータの近傍で十分な選択確率を学習できれば漸近的に有効であることを示す。 提案アルゴリズムの有効性をいくつかの例で検証する。

関連論文リスト

• Detecting and Identifying Selection Structure in Sequential Data [53.24493902162797]
  我々は,音楽のシーケンスなどの実践的な状況において,潜在目的に基づくデータポイントの選択的包摂が一般的である,と論じる。 選択構造はパラメトリックな仮定や介入実験なしで識別可能であることを示す。 また、他の種類の依存関係と同様に、選択構造を検知し、識別するための証明可能な正当性アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-29T20:56:34Z)
• Confidence on the Focal: Conformal Prediction with Selection-Conditional Coverage [6.010965256037659]
  コンフォーマル予測は、ランダムに描画された新しいテストポイントの未知の結果を所定の確率でカバーする、わずかに有効な予測間隔を構築する。 そのようなケースでは、選択バイアスによる焦点単位に対する正当性予測間隔は、選択バイアスによる有効なカバレッジを提供できない。 本稿では、選択した単位に対して、有限サンプルの正確なカバレッジ条件を持つ予測セットを構築するための一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-06T17:18:24Z)
• Causal Feature Selection via Transfer Entropy [59.999594949050596]
  因果発見は、観察データによる特徴間の因果関係を特定することを目的としている。 本稿では,前向きと後向きの機能選択に依存する新たな因果的特徴選択手法を提案する。 精度および有限サンプルの場合の回帰誤差と分類誤差について理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-17T08:04:45Z)
• Large Language Models Are Not Robust Multiple Choice Selectors [117.72712117510953]
  複数選択質問(MCQ)は、大規模言語モデル(LLM)の評価において、一般的なが重要なタスク形式として機能する。 この研究は、現代のLLMが、その固有の「選択バイアス」によるオプション位置変化に対して脆弱であることを示している。 そこで本研究では,オプションIDに対する事前バイアスを全体予測分布から分離するPriDeという,ラベルのない推論時間脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T17:44:56Z)
• Selective inference using randomized group lasso estimators for general models [3.4034453928075865]
  この手法は指数関数的な家族分布の使用、および過分散カウントデータに対する準様モデリングを含む。 ランダム化群正規化最適化問題について検討した。 選択されたモデルにおける回帰パラメータの信頼領域は、ウォルド型領域の形式をとり、境界体積を持つことを示す。
  論文  参考訳（メタデータ） (2023-06-24T01:14:26Z)
• 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)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Parameter selection in Gaussian process interpolation: an empirical study of selection criteria [0.0]
  本稿では,ガウス過程におけるパラメータ選択の根本的な問題を再考する。 適切なモデル群を選択することは、特定の選択基準を選択することよりもしばしば重要であることを示す。
  論文  参考訳（メタデータ） (2021-07-13T11:57:56Z)
• Online Active Model Selection for Pre-trained Classifiers [72.84853880948894]
  我々は,任意のラウンドにおいて高い確率で最良のモデルをラベル付けし,出力する情報的サンプルを積極的に選択するオンライン選択的サンプリング手法を設計する。 我々のアルゴリズムは、敵とストリームの両方のオンライン予測タスクに利用できる。
  論文  参考訳（メタデータ） (2020-10-19T19:53:15Z)
• Parametric Programming Approach for More Powerful and General Lasso Selective Inference [25.02674598600182]
  選択推論(Selective Inference, SI)は, 線形モデルの特徴を推論するためにここ数年, 活発に研究されてきた。 Lasso のオリジナルの SI アプローチの主な制限は、推論が選択された特徴だけでなく、その兆候にも条件付きで行われることである。 何千ものアクティブな特徴がある場合でも,サインを条件付けせずにSIを実行できるパラメトリックプログラミングベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T04:46:29Z)

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。