論文の概要: Robust Output Analysis with Monte-Carlo Methodology
- arxiv url: http://arxiv.org/abs/2207.13612v3
- Date: Wed, 25 Oct 2023 17:37:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 06:31:26.173179
- Title: Robust Output Analysis with Monte-Carlo Methodology
- Title(参考訳): モンテカルロ法によるロバスト出力解析
- Authors: Kimia Vahdat and Sara Shashaani
- Abstract要約: シミュレーションや機械学習を用いた予測モデリングでは,推定値の品質を正確に評価することが重要である。
モンテカルロサンプリングのレンズによるシミュレーションと機械学習の出力の統一的な出力分析フレームワークを提案する。
- 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: In predictive modeling with simulation or machine learning, it is critical to
accurately assess the quality of estimated values through output analysis. In
recent decades output analysis has become enriched with methods that quantify
the impact of input data uncertainty in the model outputs to increase
robustness. However, most developments are applicable assuming that the input
data adheres to a parametric family of distributions. We propose a unified
output analysis framework for simulation and machine learning outputs through
the lens of Monte Carlo sampling. This framework provides nonparametric
quantification of the variance and bias induced in the outputs with
higher-order accuracy. Our new bias-corrected estimation from the model outputs
leverages the extension of fast iterative bootstrap sampling and higher-order
influence functions. For the scalability of the proposed estimation methods, we
devise budget-optimal rules and leverage control variates for variance
reduction. Our theoretical and numerical results demonstrate a clear advantage
in building more robust confidence intervals from the model outputs with higher
coverage probability.
- Abstract(参考訳): シミュレーションや機械学習を用いた予測モデリングでは、出力分析により推定値の品質を正確に評価することが重要である。
近年,モデル出力における入力データの不確実性の影響を定量化し,ロバスト性を高める手法が提案されている。
しかし、入力データが分布のパラメトリックな族に従属すると仮定すると、ほとんどの発展は適用できる。
モンテカルロサンプリングのレンズを通してシミュレーションと機械学習の出力を統一した出力分析フレームワークを提案する。
このフレームワークは、高次精度で出力に誘導される分散とバイアスの非パラメトリック定量化を提供する。
モデル出力からの新しいバイアス補正推定は、高速反復ブートストラップサンプリングと高次影響関数の拡張を利用する。
提案手法のスケーラビリティのために,予算最適ルールを考案し,分散低減のために制御変数を活用する。
モデル出力からより頑健な信頼区間を高いカバレッジ確率で構築する上で,理論と数値の結果から明らかな利点が得られた。
関連論文リスト
- Doubly Robust Inference in Causal Latent Factor Models [13.236747951976675]
本稿では,観測不能な条件下での平均処理効果を推定するための新しいフレームワークを紹介する。
有限サンプルおよび頑健な重み付け保証を導出し、新しい推定器の誤差がパラメトリック速度で平均ゼロガウス分布に収束することを示す。
論文 参考訳(メタデータ) (2024-02-18T17:13:46Z) - Debias the Training of Diffusion Models [53.49637348771626]
本研究では,拡散モデルにおいて一定の損失重み戦略を用いることで,トレーニング期間中に偏りが生じるという理論的証拠を提供する。
理論的に偏りのない原理に基づくエレガントで効果的な重み付け戦略を提案する。
これらの分析は、拡散モデルの内部動作の理解とデミステレーションを促進することが期待されている。
論文 参考訳(メタデータ) (2023-10-12T16:04:41Z) - Boosted Control Functions [10.503777692702952]
本研究の目的は,因果効果推定と予測タスクのギャップを埋めることである。
我々は,機械学習の分布場と同時方程式モデル,およびエコノメティクスの制御関数との新たな接続を確立する。
このフレームワーク内では、予測モデルに対する不変性の強い概念を提案し、それを既存の(ウィーカー)バージョンと比較する。
論文 参考訳(メタデータ) (2023-10-09T15:43:46Z) - Efficient Propagation of Uncertainty via Reordering Monte Carlo Samples [0.7087237546722617]
不確実性伝播は、入力変数の不確実性に基づいてモデル出力の不確実性を決定する技術である。
本研究は,全ての試料が平均的に有用であるにもかかわらず,他の試料よりも有用であるとする仮説を考察する。
本稿では、MCサンプルを適応的に並べ替える手法を導入し、UPプロセスの計算コストの削減をもたらす方法を示す。
論文 参考訳(メタデータ) (2023-02-09T21:28:15Z) - Bayesian Sparse Regression for Mixed Multi-Responses with Application to
Runtime Metrics Prediction in Fog Manufacturing [6.288767115532775]
フォッグ製造は、分散計算Fogユニットを通じて従来の製造システムを大幅に強化することができる。
予測オフロード手法は,実行時のパフォーマンス指標の正確な予測と不確かさの定量化に大きく依存していることが知られている。
本稿では,多変量混合応答に対するベイジアンスパース回帰法を提案し,実行時性能指標の予測を強化する。
論文 参考訳(メタデータ) (2022-10-10T16:14:08Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳(メタデータ) (2020-11-04T10:00:27Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳(メタデータ) (2020-06-11T09:58:01Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z) - A comprehensive study on the prediction reliability of graph neural
networks for virtual screening [0.0]
本稿では,モデルアーキテクチャ,正規化手法,損失関数が分類結果の予測性能および信頼性に与える影響について検討する。
その結果,高い成功率を達成するためには,正則化と推論手法の正しい選択が重要であることが明らかとなった。
論文 参考訳(メタデータ) (2020-03-17T10:13:31Z)
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。