論文の概要: Doubly Robust Counterfactual Classification
- arxiv url: http://arxiv.org/abs/2301.06199v1
- Date: Sun, 15 Jan 2023 22:04:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 16:55:14.029298
- Title: Doubly Robust Counterfactual Classification
- Title(参考訳): 二重ロバストなカウンターファクト分類
- Authors: Kwangho Kim, Edward H. Kennedy, Jos\'e R. Zubizarreta
- Abstract要約: 本研究では,仮説的(事実とは対照的に)なシナリオ下での意思決定のための新しいツールとして,カウンターファクトの分類について検討する。
本稿では, 一般対物分類器のための2次ロバストな非パラメトリック推定器を提案する。
- 参考スコア(独自算出の注目度): 1.8907108368038217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study counterfactual classification as a new tool for decision-making
under hypothetical (contrary to fact) scenarios. We propose a doubly-robust
nonparametric estimator for a general counterfactual classifier, where we can
incorporate flexible constraints by casting the classification problem as a
nonlinear mathematical program involving counterfactuals. We go on to analyze
the rates of convergence of the estimator and provide a closed-form expression
for its asymptotic distribution. Our analysis shows that the proposed estimator
is robust against nuisance model misspecification, and can attain fast
$\sqrt{n}$ rates with tractable inference even when using nonparametric machine
learning approaches. We study the empirical performance of our methods by
simulation and apply them for recidivism risk prediction.
- Abstract(参考訳): 仮説的(事実的)シナリオの下での意思決定のための新たなツールとして,反事実分類について検討する。
そこで本研究では, 2重ロバスト非パラメトリック推定器を提案し, 分類問題を反事実を含む非線形数学的プログラムとして組み込むことにより, 柔軟な制約を組み込むことができる。
我々は,推定器の収束率を分析し,漸近分布に対する閉形式表現を提供する。
解析の結果,提案手法はニュアンスモデルの誤特定に対して頑健であり,非パラメトリック機械学習手法を用いても,高速な推定が可能な$\sqrt{n}$レートが得られることがわかった。
本手法の実証的性能をシミュレーションにより検討し,再帰的リスク予測に応用する。
関連論文リスト
- Hypothesis Testing for Class-Conditional Noise Using Local Maximum
Likelihood [1.8798171797988192]
教師付き学習では、学習が行われる前にラベルの質を自動的に評価することがオープンな研究課題である。
本稿では,本モデルが局所極大近似推定の積である場合,同様の手順を踏襲できることを示す。
この異なるビューは、よりリッチなモデルクラスへのアクセスを提供することで、テストのより広範な適用を可能にする。
論文 参考訳(メタデータ) (2023-12-15T22:14:58Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳(メタデータ) (2023-09-28T13:04:11Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳(メタデータ) (2022-01-26T19:59:14Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - Uncertainty estimation under model misspecification in neural network
regression [3.2622301272834524]
モデル選択が不確実性評価に与える影響について検討する。
モデルミスセグメンテーションでは,アレータリック不確実性は適切に捉えられていない。
論文 参考訳(メタデータ) (2021-11-23T10:18:41Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Estimation and Applications of Quantiles in Deep Binary Classification [0.0]
チェック損失に基づく量子回帰は統計学において広く使われている推論パラダイムである。
二項分類設定におけるチェック損失の類似について考察する。
我々は、予測が信頼できるかどうかを判断するために使用できる個別信頼度スコアを開発する。
論文 参考訳(メタデータ) (2021-02-09T07:07:42Z) - Nonparametric Score Estimators [49.42469547970041]
未知分布によって生成されたサンプルの集合からスコアを推定することは確率モデルの推論と学習における基本的なタスクである。
正規化非パラメトリック回帰の枠組みの下で、これらの推定器の統一的なビューを提供する。
カールフリーカーネルと高速収束による計算効果を享受する反復正規化に基づくスコア推定器を提案する。
論文 参考訳(メタデータ) (2020-05-20T15:01:03Z) - 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)
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。