論文の概要: New $\sqrt{n}$-consistent, numerically stable higher-order influence
function estimators
- arxiv url: http://arxiv.org/abs/2302.08097v1
- Date: Thu, 16 Feb 2023 05:25:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 14:53:56.958988
- Title: New $\sqrt{n}$-consistent, numerically stable higher-order influence
function estimators
- Title(参考訳): 新しい$\sqrt{n}$-consistent、数値的に安定な高次影響関数推定器
- Authors: Lin Liu and Chang Li
- Abstract要約: 我々は,証明可能な統計的,数値的,計算的保証を備えた新しい,数値的に安定なHOIF推定器を開発した。
この新しいsHOIF推定器(第2次まで)は、Liuらによる合成実験に先駆けられた。
- 参考スコア(独自算出の注目度): 17.279405291465242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Higher-Order Influence Functions (HOIFs) provide a unified theory for
constructing rate-optimal estimators for a large class of low-dimensional
(smooth) statistical functionals/parameters (and sometimes even
infinite-dimensional functions) that arise in substantive fields including
epidemiology, economics, and the social sciences. Since the introduction of
HOIFs by Robins et al. (2008), they have been viewed mostly as a theoretical
benchmark rather than a useful tool for statistical practice. Works aimed to
flip the script are scant, but a few recent papers Liu et al. (2017, 2021b)
make some partial progress. In this paper, we take a fresh attempt at achieving
this goal by constructing new, numerically stable HOIF estimators (or sHOIF
estimators for short with ``s'' standing for ``stable'') with provable
statistical, numerical, and computational guarantees. This new class of sHOIF
estimators (up to the 2nd order) was foreshadowed in synthetic experiments
conducted by Liu et al. (2020a).
- Abstract(参考訳): 高階影響関数(hoifs)は、疫学、経済学、社会科学などのサブスタンス分野において生じる、大きな種類の低次元(スムース)統計機能/パラメータ(時には無限次元関数)に対するレート最適推定子を構築するための統一理論を提供する。
RobinsらによるHOIFs (2008) の導入以来、それらは統計的な実践に有用なツールではなく、理論的なベンチマークと見なされてきた。
スクリプトをめくるための作業は難しかったが、最近の論文Liu et al. (2017, 2021b)は部分的に進歩している。
本稿では,統計的,数値的,計算的保証のある新しい,数値的に安定なHOIF推定器(あるいは'`s' を ``stable'' と略して sHOIF 推定器)を構築することで,この目標を達成するための新たな試みを行う。
この新しいsHOIF推定器(第2次まで)は、Liu et al. (2020a) による合成実験で先導された。
関連論文リスト
- Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳(メタデータ) (2023-11-03T13:20:11Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳(メタデータ) (2023-10-21T18:48:45Z) - The Fundamental Limits of Structure-Agnostic Functional Estimation [16.282314725278365]
既存の一階法が最適であることを示す。
ブラックボックスニュアンス関数推定を用いた関数推定問題の定式化を行う。
この結果は,機能的推定におけるいくつかの明確なトレードオフを浮き彫りにした。
論文 参考訳(メタデータ) (2023-05-06T18:40:04Z) - Kernel Density Bayesian Inverse Reinforcement Learning [6.03878742235195]
逆強化学習(IRL)は、エージェントの行動を観察して報酬関数を推測する強力なフレームワークである。
本稿では、条件付きカーネル密度推定を用いて、その可能性を直接近似するカーネル密度ベイズIRLを提案する。
論文 参考訳(メタデータ) (2023-03-13T03:00:03Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Minimax Kernel Machine Learning for a Class of Doubly Robust Functionals [16.768606469968113]
もともと導入された二重頑健なモーメント関数のクラスを考える(Robins et al., 2008)。
このモーメント関数は、ニュアンス関数の推定方程式の構築に使用できることを実証する。
ニュアンス関数の収束速度は、統計学習理論の現代的な手法を用いて解析される。
論文 参考訳(メタデータ) (2021-04-07T05:52:15Z) - Causal Inference Under Unmeasured Confounding With Negative Controls: A
Minimax Learning Approach [84.29777236590674]
すべての共同設立者が観察されず、代わりに負の制御が利用可能である場合の因果パラメータの推定について検討する。
最近の研究は、2つのいわゆるブリッジ関数による同定と効率的な推定を可能にする方法を示している。
論文 参考訳(メタデータ) (2021-03-25T17:59:19Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳(メタデータ) (2021-03-23T17:48:56Z) - Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。
実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
論文 参考訳(メタデータ) (2020-07-05T18:58:47Z)
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。