論文の概要: Synthetic Principal Component Design: Fast Covariate Balancing with Synthetic Controls

• arxiv url: http://arxiv.org/abs/2211.15241v1
• Date: Mon, 28 Nov 2022 11:45:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 17:11:02.477565
• Title: Synthetic Principal Component Design: Fast Covariate Balancing with Synthetic Controls
• Title（参考訳）: 合成主成分設計:合成制御による高速共変量バランス
• Authors: Yiping Lu, Jiajin Li, Lexing Ying, Jose Blanchet
• Abstract要約: 我々は,グローバル収束的で実用的な最適化アルゴリズムを開発した。 我々は,あるデータ生成プロセスから前処理データをサンプリングする場合に,実験設計のための最初のグローバルな最適性保証を確立する。
• 参考スコア（独自算出の注目度）: 16.449993388646277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The optimal design of experiments typically involves solving an NP-hard combinatorial optimization problem. In this paper, we aim to develop a globally convergent and practically efficient optimization algorithm. Specifically, we consider a setting where the pre-treatment outcome data is available and the synthetic control estimator is invoked. The average treatment effect is estimated via the difference between the weighted average outcomes of the treated and control units, where the weights are learned from the observed data. {Under this setting, we surprisingly observed that the optimal experimental design problem could be reduced to a so-called \textit{phase synchronization} problem.} We solve this problem via a normalized variant of the generalized power method with spectral initialization. On the theoretical side, we establish the first global optimality guarantee for experiment design when pre-treatment data is sampled from certain data-generating processes. Empirically, we conduct extensive experiments to demonstrate the effectiveness of our method on both the US Bureau of Labor Statistics and the Abadie-Diemond-Hainmueller California Smoking Data. In terms of the root mean square error, our algorithm surpasses the random design by a large margin.
• Abstract（参考訳）: 実験の最適設計は一般にNP-ハード組合せ最適化問題を解くことである。 本稿では,グローバルに収束し,効率的な最適化アルゴリズムを開発することを目的とする。 具体的には、前処理結果データが利用可能で、合成制御推定器が呼び出される設定を考える。 平均処理効果は、処理単位の重み付き平均結果と、観察データから重みが学習される制御単位の差によって推定される。 この設定下では、最適実験設計問題はいわゆる \textit{phase sync}問題に還元できることを驚くほど観察した。 スペクトル初期化を用いた一般化電力法の正規化変種を用いてこの問題を解決する。 理論的には、あるデータ生成プロセスから前処理データをサンプリングする場合、実験設計のための最初の大域的最適性保証を確立する。 実験では,米国労働統計局とアバディ・ダイモンド・ハインミューラー・カリフォルニア喫煙データの両方において,本手法の有効性を実証する実験を行った。 根平均二乗誤差の観点からは、このアルゴリズムはランダムな設計を大きなマージンで超えている。

関連論文リスト

• Probabilistic Bayesian optimal experimental design using conditional normalizing flows [2.7689411149700685]
  ベイズ最適実験設計(OED)は予算制約の下で最も有益な実験を行うことを目指している。 我々は,OED問題の解法を効率よく,スケーラブルで,実用的なアプリケーションに堅牢にするための,新しい共同最適化手法を提案する。 我々は,高次元(320$times 320)パラメータを高分解能,高次元(640$times 386)観測,および最も情報性の高い観測を選択するためのバイナリ設計を有する実用的MRI OED問題に対する性能提案手法を実証した。
  論文  参考訳（メタデータ） (2024-02-28T13:59:20Z)
• Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
  共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。 理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。 その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
  論文  参考訳（メタデータ） (2024-02-20T13:02:51Z)
• Synthetic Design: An Optimization Approach to Experimental Design with Synthetic Controls [5.3063411515511065]
  本研究では,前処理結果データを用いた実験結果の最適設計について検討する。 平均処理効果は、処理単位の重み付き平均結果と制御単位との差として推定される。 重みと合わせて処理単位の集合を選択する方法をいくつか提案する。
  論文  参考訳（メタデータ） (2021-12-01T05:05:26Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Optimal Bayesian experimental design for subsurface flow problems [77.34726150561087]
  本稿では,設計ユーティリティ機能のためのカオス拡張サロゲートモデル(PCE)の開発のための新しいアプローチを提案する。 この手法により,対象関数に対する適切な品質応答面の導出が可能となり,計算予算は複数の単点評価に匹敵する。
  論文  参考訳（メタデータ） (2020-08-10T09:42:59Z)
• Incorporating Expert Prior Knowledge into Experimental Design via Posterior Sampling [58.56638141701966]
  実験者は、グローバルな最適な場所に関する知識を得ることができる。 グローバル最適化に関する専門家の事前知識をベイズ最適化に組み込む方法は不明である。 効率の良いベイズ最適化手法は、大域的最適の後方分布の後方サンプリングによって提案されている。
  論文  参考訳（メタデータ） (2020-02-26T01:57:36Z)
• Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
  我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。 我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。 また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-02-16T09:01:18Z)
• Optimal Experimental Design for Staggered Rollouts [11.187415608299075]
  本研究は, 治療開始時刻が単位によって異なる複数時間にわたって, 一連の単位に対して実施した実験の設計と解析について検討する。 本稿では,設計段階と治療効果を推定する段階の課題に対処するアルゴリズムとして,精度誘導適応実験(PGAE)を提案する。
  論文  参考訳（メタデータ） (2019-11-09T19:46:29Z)

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。