Fugu-MT 論文翻訳(概要): Average Adjusted Association: Efficient Estimation with High Dimensional Confounders

論文の概要: Average Adjusted Association: Efficient Estimation with High Dimensional Confounders

arxiv url: http://arxiv.org/abs/2205.14048v1
Date: Fri, 27 May 2022 15:36:12 GMT
ステータス: 処理完了
システム内更新日: 2022-05-30 14:04:49.188798
Title: Average Adjusted Association: Efficient Estimation with High Dimensional Confounders
Title（参考訳）: 平均調整関連:高次元共同設立者による効率的な推定
Authors: Sung Jae Jun, Sokbae Lee
Abstract要約: 平均対数確率比の2つの効率的な機械学習(DML)推定器を提案する。推定子は、効率的な影響関数の2つの等価形式から成り立っている。我々のフレームワークは、ランダムサンプリングと結果ベースまたは露出ベースサンプリングを含む。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The log odds ratio is a common parameter to measure association between (binary) outcome and exposure variables. Much attention has been paid to its parametric but robust estimation, or its nonparametric estimation as a function of confounders. However, discussion on how to use a summary statistic by averaging the log odds ratio function is surprisingly difficult to find despite the popularity and importance of averaging in other contexts such as estimating the average treatment effect. We propose a couple of efficient double/debiased machine learning (DML) estimators of the average log odds ratio, where the odds ratios are adjusted for observed (potentially high dimensional) confounders and are averaged over them. The estimators are built from two equivalent forms of the efficient influence function. The first estimator uses a prospective probability of the outcome conditional on the exposure and confounders; the second one employs a retrospective probability of the exposure conditional on the outcome and confounders. Our framework encompasses random sampling as well as outcome-based or exposure-based sampling. Finally, we illustrate how to apply the proposed estimators using real data.
Abstract（参考訳）: 対数奇数比は、(バイナリ)結果と露光変数の関係を測定するための一般的なパラメータである。パラメトリックだがロバストな推定や、共同設立者の関数としての非パラメトリックな推定に多くの注意が払われている。しかし, 平均処理効果を推定するなど, 他の文脈における平均処理の重要性や人気にもかかわらず, ログオッズ比関数の平均化による要約統計の活用方法の議論は驚くほど困難である。本研究では,観測された(潜在的に高次元の)共同創設者に対してオッズ比を調整し平均化する,平均ログオッズ比の2重・debiased machine learning(dml)推定器を提案する。推定子は、効率的な影響関数の2つの等価形式から成り立っている。第1の推定者は、露出条件と共同設立者に関する結果条件の予測的確率を使い、第2の推定者は、結果と共同設立者に対する露出条件のふりかえり確率を用いる。このフレームワークはランダムサンプリングと結果ベースまたは露出ベースのサンプリングを包含する。最後に,提案する推定器の実際のデータによる適用方法について述べる。

関連論文リスト

Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文参考訳（メタデータ） (2024-06-06T17:37:39Z)
On semi-supervised estimation using exponential tilt mixture models [12.347498345854715]
バイナリ応答と予測器のラベル付きデータセットと、予測器のみのラベル付きデータセットによる半教師付き設定を考えてみましょう。半教師付き推定のために,指数傾斜混合(ETM)モデルを用いた統計的アプローチのさらなる解析と理解を開発する。
論文参考訳（メタデータ） (2023-11-14T19:53:26Z)
Optimal Heterogeneous Collaborative Linear Regression and Contextual Bandits [34.121889149071684]
本研究では、各インスタンスの関連パラメータが大域的パラメータとスパースなインスタンス固有項と等しくなるような協調線形回帰と文脈的バンドイットについて検討する。 MOLARと呼ばれる新しい2段階推定器を提案し、まず、インスタンスの線形回帰推定のエントリーワイド中央値を構築し、その後、インスタンス固有推定値を中央値に向けて縮小することで、この構造を利用する。次に、MOLARを用いて、不均一な協調的文脈的包帯の手法を開発し、独立した包帯法と比較して、後悔の保証を改善する。
論文参考訳（メタデータ） (2023-06-09T22:48:13Z)
Rethinking Collaborative Metric Learning: Toward an Efficient Alternative without Negative Sampling [156.7248383178991]
コラボレーティブ・メトリック・ラーニング(CML)パラダイムはレコメンデーション・システム(RS)分野に広く関心を集めている。負のサンプリングが一般化誤差のバイアス付き推定に繋がることがわかった。そこで我々は,SFCML (textitSampling-Free Collaborative Metric Learning) という名前のCMLに対して,負のサンプリングを伴わない効率的な手法を提案する。
論文参考訳（メタデータ） (2022-06-23T08:50:22Z)
DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。上記の2つの課題を同時に解決するための一般的な枠組みを提案する。我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文参考訳（メタデータ） (2022-04-16T08:08:29Z)
Semi-Supervised Quantile Estimation: Robust and Efficient Inference in High Dimensional Settings [0.5735035463793009]
2つの利用可能なデータセットを特徴とする半教師付き環境での量子推定を考察する。本稿では,2つのデータセットに基づいて,応答量子化(s)に対する半教師付き推定器群を提案する。
論文参考訳（メタデータ） (2022-01-25T10:02:23Z)
CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文参考訳（メタデータ） (2021-10-26T20:14:30Z)
Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文参考訳（メタデータ） (2021-05-11T03:38:16Z)
Optimal Off-Policy Evaluation from Multiple Logging Policies [77.62012545592233]
我々は,複数のロギングポリシからオフ政治評価を行い,それぞれが一定のサイズ,すなわち階層化サンプリングのデータセットを生成する。複数ロガーのOPE推定器は,任意のインスタンス,すなわち効率のよいインスタンスに対して最小分散である。
論文参考訳（メタデータ） (2020-10-21T13:43:48Z)
Robust Grouped Variable Selection Using Distributionally Robust Optimization [11.383869751239166]
摂動下での群付き変数選択のための不確実性セットを用いた分布ロバスト最適化(DRO)の定式化を提案する。我々は,サンプル外損失と推定バイアスの確率的境界を証明し,推定器の群化効果を確立する。我々の定式化は,群レベルでの空間性を促進する解釈可能で同相なモデルを生成することを示す。
論文参考訳（メタデータ） (2020-06-10T22:32:52Z)
A Deep Learning Algorithm for High-Dimensional Exploratory Item Factor Analysis [0.0]
探索項目因子分析(IFA)のための深層学習に基づくVIアルゴリズムについて検討する。提案手法は、探索型IFAのための重要重み付きオートエンコーダ(IWAE)と呼ばれる深層人工ニューラルネットワークモデルを適用する。 IWAEは標本サイズやIWサンプル数の増加に伴って,より正確な推定値が得られることを示す。
論文参考訳（メタデータ） (2020-01-22T03:02:34Z)

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。