Fugu-MT 論文翻訳(概要): Exact Selective Inference with Randomization

論文の概要: Exact Selective Inference with Randomization

arxiv url: http://arxiv.org/abs/2212.12940v4
Date: Sat, 23 Dec 2023 01:21:37 GMT
ステータス: 処理完了
システム内更新日: 2023-12-28 02:09:23.782260
Title: Exact Selective Inference with Randomization
Title（参考訳）: ランダム化による厳密な選択推論
Authors: Snigdha Panigrahi, Kevin Fry, Jonathan Taylor
Abstract要約: ランダム化を伴う正確な選択推論のためのピボットを導入する。私たちのピボットは、ガウス回帰モデルにおいて正確な推論をもたらすだけでなく、クローズド形式でも利用できる。シミュレーションデータセットとHIV薬剤耐性データセットにおけるパワーと正確な選択的推論のトレードオフについて検討する。
参考スコア（独自算出の注目度）: 2.7531706969618965
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a pivot for exact selective inference with randomization. Not only does our pivot lead to exact inference in Gaussian regression models, but it is also available in closed form. We reduce the problem of exact selective inference to a bivariate truncated Gaussian distribution. By doing so, we give up some power that is achieved with approximate maximum likelihood estimation in Panigrahi and Taylor (2022). Yet our pivot always produces narrower confidence intervals than a closely related data splitting procedure. We investigate the trade-off between power and exact selective inference on simulated datasets and an HIV drug resistance dataset.
Abstract（参考訳）: ランダム化を伴う正確な選択推論のためのピボットを導入する。私たちのピボットはガウス回帰モデルにおいて正確な推論をもたらすだけでなく、閉じた形式でも利用できる。我々は、二変量 truncated Gaussian 分布に対する厳密な選択推論の問題を削減する。これにより、パニグラヒとテイラー(2022年)の近似最大推定で達成されるいくつかのパワーを諦める。しかし、我々のピボットは常に、密接に関連するデータ分割手順よりも信頼区間を狭める。シミュレーションデータセットとHIV薬剤耐性データセットにおけるパワーと正確な選択的推論のトレードオフについて検討する。

関連論文リスト

Predictive variational inference: Learn the predictively optimal posterior distribution [1.7648680700685022]
バニラ変量推論はベイズ後部分布に最適な近似を求めるが、正確なベイズ後部分布でさえモデル的不特定の下では意味がないことが多い。本稿では,最適後続密度から標本を探索する一般推論フレームワークである予測変分推論(PVI)を提案する。この枠組みは、可能性エクササイズモデルと可能性フリーモデルの両方に適用できる。
論文参考訳（メタデータ） (2024-10-18T19:44:57Z)
von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文参考訳（メタデータ） (2024-06-19T01:57:21Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Approximating a RUM from Distributions on k-Slates [88.32814292632675]
与えられた分布を平均で最もよく近似するRUMを求める一般化時間アルゴリズムを求める。我々の理論的結果は、実世界のデータセットに効果的でスケール可能なものを得るという、実践的な結果も得られます。
論文参考訳（メタデータ） (2023-05-22T17:43:34Z)
Pseudo-Labeling for Kernel Ridge Regression under Covariate Shift [1.3597551064547502]
対象分布に対する平均2乗誤差が小さい回帰関数を,ラベルなしデータと異なる特徴分布を持つラベル付きデータに基づいて学習する。ラベル付きデータを2つのサブセットに分割し、カーネルリッジの回帰処理を行い、候補モデルの集合と計算モデルを得る。モデル選択に擬似ラベルを用いることで性能を著しく損なうことはないことが判明した。
論文参考訳（メタデータ） (2023-02-20T18:46:12Z)
Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文参考訳（メタデータ） (2022-04-07T17:59:19Z)
Benign-Overfitting in Conditional Average Treatment Effect Prediction with Linear Regression [14.493176427999028]
線形回帰モデルを用いて条件平均処理効果(CATE)の予測における良性過剰適合理論について検討した。一方,IPW-learnerは確率スコアが分かっていればリスクをゼロに収束させるが,T-learnerはランダムな割り当て以外の一貫性を達成できないことを示す。
論文参考訳（メタデータ） (2022-02-10T18:51:52Z)
Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文参考訳（メタデータ） (2021-06-07T17:44:49Z)
Regression with reject option and application to kNN [0.0]
我々は、このフレームワークをrejectオプションによる回帰として、rejectオプションによる分類の拡張として参照する。 2つのデータセットを含む最適規則を半教師付きで推定する手法を提案する。その結果、リジェクションオプションを持つ予測器は、リスクとリジェクションレートの両方の観点から、リジェクションオプションを持つ最適予測器とほぼ同等であることが示された。
論文参考訳（メタデータ） (2020-06-30T08:20:57Z)
Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
論文参考訳（メタデータ） (2020-06-11T19:40:38Z)
Beyond the Mean-Field: Structured Deep Gaussian Processes Improve the Predictive Uncertainties [12.068153197381575]
高速収束を達成しつつ、潜在過程間の共分散を維持できる新しい変分族を提案する。新しいアプローチの効率的な実装を提供し、それをいくつかのベンチマークデータセットに適用します。優れた結果をもたらし、最先端の代替品よりも精度とキャリブレーションされた不確実性推定とのバランスが良くなる。
論文参考訳（メタデータ） (2020-05-22T11:10:59Z)

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。