Fugu-MT 論文翻訳(概要): A Consistent Estimator for Confounding Strength

論文の概要: A Consistent Estimator for Confounding Strength

arxiv url: http://arxiv.org/abs/2211.01903v1
Date: Thu, 3 Nov 2022 15:34:33 GMT
ステータス: 処理完了
システム内更新日: 2022-11-04 12:31:38.097787
Title: A Consistent Estimator for Confounding Strength
Title（参考訳）: コンバウンディング強度の連続推定器
Authors: Luca Rendsburg, Leena Chennuru Vankadara, Debarghya Ghoshdastidar, Ulrike von Luxburg
Abstract要約: 我々はJanzing と Sch"olkopf" による共起強度推定器の挙動を導出する。次に、ランダム行列理論のツールを用いて、適応的で一貫した推定子を導出する。
参考スコア（独自算出の注目度）: 21.443297599122058
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Regression on observational data can fail to capture a causal relationship in the presence of unobserved confounding. Confounding strength measures this mismatch, but estimating it requires itself additional assumptions. A common assumption is the independence of causal mechanisms, which relies on concentration phenomena in high dimensions. While high dimensions enable the estimation of confounding strength, they also necessitate adapted estimators. In this paper, we derive the asymptotic behavior of the confounding strength estimator by Janzing and Sch\"olkopf (2018) and show that it is generally not consistent. We then use tools from random matrix theory to derive an adapted, consistent estimator.
Abstract（参考訳）: 観測データへの回帰は、観測されていない発見の存在下で因果関係を捉えられない可能性がある。結合力はこのミスマッチを測定するが、それを推定するには追加の仮定が必要である。一般的な仮定は、高次元の濃度現象に依存する因果機構の独立性である。高次元は共起強度の推定を可能にするが、適応推定器も必要である。本稿では,janzing と sch\"olkopf (2018) による結合強度推定器の漸近的挙動を導出し,一般に一貫性がないことを示す。次に、ランダム行列理論のツールを用いて、適応的で一貫した推定子を導出する。

関連論文リスト

On the Calibration of Epistemic Uncertainty: Principles, Paradoxes and Conflictual Loss [3.8248583585487155]
証拠不確実性は、Deep Ensembles、Bayesian Deep Networks、Evidential Deep Networksによって生成される。測定可能ではあるが、この形の不確実性は客観的に校正することは困難である。以上の要件に則った競合損失という,深層アンサンブルの正規化関数を提案する。
論文参考訳（メタデータ） (2024-07-16T23:21:28Z)
Seeing is not Believing: Robust Reinforcement Learning against Spurious Correlation [57.351098530477124]
国家の異なる部分には、保存されていない共同設立者が引き起こす相関関係が存在しない。このような役に立たないあるいは有害な相関を学習するモデルは、テストケースの共同創設者がトレーニングケースから逸脱したときに破滅的に失敗する可能性がある。したがって、単純かつ非構造的な不確実性集合を仮定する既存の頑健なアルゴリズムは、この問題に対処するには不十分である。
論文参考訳（メタデータ） (2023-07-15T23:53:37Z)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
論文参考訳（メタデータ） (2022-10-14T08:09:33Z)
Discovering Latent Causal Variables via Mechanism Sparsity: A New Principle for Nonlinear ICA [81.4991350761909]
ICA(Independent component analysis)は、この目的を定式化し、実用的な応用のための推定手順を提供する手法の集合を指す。潜伏変数は、潜伏機構をスパースに正則化すれば、置換まで復元可能であることを示す。
論文参考訳（メタデータ） (2021-07-21T14:22:14Z)
On Feature Decorrelation in Self-Supervised Learning [15.555208840500086]
最近のアプローチから最も一般的なコンポーネントを含むフレームワークについて検討する。次元崩壊を軸間の強い相関関係と結び付け、そのような関係を特徴デコリレーションの強い動機とみなす。
論文参考訳（メタデータ） (2021-05-02T13:28:18Z)
Don't Just Blame Over-parametrization for Over-confidence: Theoretical Analysis of Calibration in Binary Classification [58.03725169462616]
理論上は、過剰パラメトリゼーションは過剰信頼の唯一の理由ではない。我々は、ロジスティック回帰は本質的に信頼過剰であり、実現可能で、非パラメータな設定であることを示す。おそらく驚くことに、過剰な信頼が常にそうであるとは限らないことも示します。
論文参考訳（メタデータ） (2021-02-15T21:38:09Z)
The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文参考訳（メタデータ） (2020-12-05T17:30:35Z)
Improving Nonparametric Density Estimation with Tensor Decompositions [14.917420021212912]
非パラメトリック密度推定器は、しばしば低次元データに対してよく機能するが、高次元データに適用すると苦しむ。本稿では、これらの改善が他の単純化された依存前提にまで拡張できるかどうかを考察する。多次元ヒストグラムにおける低ランク非負のPARAFACやTucker分解に対する推定の制限は、ビン幅速度の次元指数を除去することを示す。
論文参考訳（メタデータ） (2020-10-06T01:39:09Z)
A Universal Formulation of Uncertainty Relation for Error and Disturbance [0.9479435599284545]
任意の量子測定に有効な不確実性関係の普遍的な定式化を提案する。その単純さと操作性から、我々の一般関係も実験的に検証可能である。
論文参考訳（メタデータ） (2020-04-13T17:57:41Z)
Geometric Formulation of Universally Valid Uncertainty Relation for Error [1.696974372855528]
統計的性質の量子的測定に有効な不確実性関係の新しい幾何学的定式化を提案する。その単純さと有形性から、我々の関係は普遍的に有効であり、実験的に可能である。
論文参考訳（メタデータ） (2020-02-10T18:31:54Z)

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。