Fugu-MT 論文翻訳(概要): Unit Selection: Case Study and Comparison with A/B Test Heuristic

論文の概要: Unit Selection: Case Study and Comparison with A/B Test Heuristic

arxiv url: http://arxiv.org/abs/2210.05030v1
Date: Mon, 10 Oct 2022 22:09:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 17:06:17.168941
Title: Unit Selection: Case Study and Comparison with A/B Test Heuristic
Title（参考訳）: 単位選択:ケーススタディとa/bテストヒューリスティックとの比較
Authors: Ang Li, Judea Pearl
Abstract要約: We show that Li and Pearl's unit selection model is beyond the A/B test。我々は、Li-Pearlの単位選択モデルのよりシミュレートされたユースケースを提供し、意思決定者がモデルを正しく適用するのを助ける。
参考スコア（独自算出の注目度）: 20.750773939911685
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The unit selection problem defined by Li and Pearl identifies individuals who have desired counterfactual behavior patterns, for example, individuals who would respond positively if encouraged and would not otherwise. Li and Pearl showed by example that their unit selection model is beyond the A/B test heuristics. In this paper, we reveal the essence of the A/B test heuristics, which are exceptional cases of the benefit function defined by Li and Pearl. Furthermore, We provided more simulated use cases of Li-Pearl's unit selection model to help decision-makers apply their model correctly, explaining that A/B test heuristics are generally problematic.
Abstract（参考訳）: liとpearlによって定義された単位選択問題は、反事実的行動パターンを希望する個人、例えば、推奨され、そうでなければ肯定的に反応する個人を特定する。 Li と Pearl は、その単位選択モデルは A/B テストヒューリスティックスを超えていることを示した。本稿では,LiとPearlで定義された利得関数の例外例であるA/Bテストヒューリスティックスの本質を明らかにする。さらに、li-pearlの単位選択モデルのよりシミュレートされたユースケースを提供し、意思決定者がモデルを正確に適用できるようにし、a/bテストのヒューリスティックが一般的に問題となることを説明した。

関連論文リスト

Diversified Batch Selection for Training Acceleration [68.67164304377732]
オンラインバッチ選択として知られる一般的な研究ラインでは、トレーニングプロセス中の情報サブセットの選択について検討している。バニラ参照モデルフリーメソッドは、独立してデータをサンプリング的にスコア付けし、選択する。 DivBS(Diversified Batch Selection)を提案する。
論文参考訳（メタデータ） (2024-06-07T12:12:20Z)
Generalization within in silico screening [19.58677466616286]
シリカスクリーニングでは、予測モデルを使用して、実験的な検証のためにライブラリから好ましい特性を持つ化合物のバッチを選択する。学習理論を拡張することにより、選択政策の選択性は一般化に大きな影響を及ぼすことを示す。モデルがバッチで望ましい結果のごく一部を予測できる能力を考えると,一般化が著しく向上できることが示される。
論文参考訳（メタデータ） (2023-07-18T16:01:01Z)
Towards Robust Visual Question Answering: Making the Most of Biased Samples via Contrastive Learning [54.61762276179205]
我々は,ビザドサンプルを最大限に活用することで,ロバストなVQAモデルを構築するための新しいコントラスト学習手法 MMBS を提案する。具体的には、元のトレーニングサンプルからスプリアス相関に関連する情報を排除し、比較学習のための正のサンプルを構築する。我々は,OODデータセットのVQA-CP v2において,IDデータセットのVQA v2上での堅牢なパフォーマンスを維持しながら,競争性能を達成することで,コントリビューションを検証した。
論文参考訳（メタデータ） (2022-10-10T11:05:21Z)
Unit Selection with Causal Diagram [27.872692504502286]
単体選択問題は、望ましい行動様式を示す可能性が最も高い個人を特定することを目的としている。実験データと観測データを組み合わせることで、LiとPearlは「適合関数」の厳密な境界を導出した
論文参考訳（メタデータ） (2021-09-15T20:06:25Z)
True Few-Shot Learning with Language Models [78.42578316883271]
ホールドアウト例が利用できない場合, LMの少数ショット能力を評価する。以上の結果から,先行研究はLMの真少ショット能力を大幅に過大評価していたことが示唆された。
論文参考訳（メタデータ） (2021-05-24T17:55:51Z)
Generative Context Pair Selection for Multi-hop Question Answering [60.74354009152721]
マルチホップ質問応答のための生成コンテキスト選択モデルを提案する。提案した生成経路選択モデルは,対向保留集合上でのより良い性能(ベースラインより4.9%高い)を有する。
論文参考訳（メタデータ） (2021-04-18T07:00:48Z)
Paired Examples as Indirect Supervision in Latent Decision Models [109.76417071249945]
我々は、ペア化された例を活用して、潜在的な決定を学習するためのより強力な手がかりを提供する方法を紹介します。 DROPデータセット上のニューラルネットワークを用いた合成質問応答の改善に本手法を適用した。
論文参考訳（メタデータ） (2021-04-05T03:58:30Z)
Double machine learning for sample selection models [0.12891210250935145]
本稿では,サンプル選択や帰属によるサブポピュレーションに対してのみ結果が観察される場合の個別分散処理の評価について考察する。 a)Neyman-orthogonal, Duubly robust, and efficient score function, which suggests the robustness of treatment effect Estimation to moderate regularization biases in the machine learning based Estimation of the outcome, treatment, or sample selection model and (b) sample splitting ( or cross-fitting) to prevent overfitting bias。
論文参考訳（メタデータ） (2020-11-30T19:40:21Z)
Decision-Making with Auto-Encoding Variational Bayes [71.44735417472043]
変分分布とは異なる後部近似を用いて意思決定を行うことが示唆された。これらの理論的な結果から,最適モデルに関するいくつかの近似的提案を学習することを提案する。おもちゃの例に加えて,単細胞RNAシークエンシングのケーススタディも紹介する。
論文参考訳（メタデータ） (2020-02-17T19:23:36Z)
Fundamental Limits of Testing the Independence of Irrelevant Alternatives in Discrete Choice [9.13127392774573]
MNL(Multinomial Logit)モデルとIIA(Independent of Irrelevant Alternatives)モデルが最も広く使われているツールである。最低ケース誤差が低いIIAの一般的なテストは、選択問題の代替案の数で指数関数的に多くのサンプルを必要とすることを示す。我々の下限は構造に依存しており、最適化の潜在的な原因として、特定の選択集合の集合で起こりうる違反にIIAのテストを制限すると、より悲観的でない構造に依存した下限が得られる。
論文参考訳（メタデータ） (2020-01-20T10:15:28Z)

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。