Fugu-MT 論文翻訳(概要): Bounding the Probabilities of Benefit and Harm Through Sensitivity Parameters and Proxies

論文の概要: Bounding the Probabilities of Benefit and Harm Through Sensitivity Parameters and Proxies

arxiv url: http://arxiv.org/abs/2303.05396v1
Date: Wed, 8 Mar 2023 14:55:46 GMT
ステータス: 処理完了
システム内更新日: 2023-03-10 13:54:25.471954
Title: Bounding the Probabilities of Benefit and Harm Through Sensitivity Parameters and Proxies
Title（参考訳）: 感度パラメータとプロキシによるベネフィットとハームの確率のバウンディング
Authors: Jose M. Pe\~na
Abstract要約: 本研究では,未測定条件下での利益と害の確率を限定する2つの方法を提案する。第1の方法は、観測されたデータ分布の関数として、どちらの確率の(上または下)境界を計算する。第2の方法は、測定されていない共同設立者の非微分的プロキシ(すなわち直接効果)の存在を仮定する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present two methods for bounding the probabilities of benefit and harm under unmeasured confounding. The first method computes the (upper or lower) bound of either probability as a function of the observed data distribution and two intuitive sensitivity parameters which, then, can be presented to the analyst as a 2-D plot to assist her in decision making. The second method assumes the existence of a measured nondifferential proxy (i.e., direct effect) of the unmeasured confounder. Using this proxy, tighter bounds than the existing ones can be derived from just the observed data distribution.
Abstract（参考訳）: 本研究では,未測定条件下での利益と害の確率を限定する2つの方法を提案する。第1の方法は、観測されたデータ分布の関数としての任意の確率の(上または下)境界と、2つの直感的な感度パラメータを計算し、それをアナリストに2次元プロットとして提示して意思決定を支援する。第2の方法は、測定された非微分的代理人(すなわち直接効果)の存在を仮定する。このプロキシを使うことで、既存のものよりも厳密な境界は、単に観測されたデータ分布から導き出すことができる。

関連論文リスト

Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
論文参考訳（メタデータ） (2024-02-13T09:40:19Z)
Domain Generalization with Small Data [27.040070085669086]
我々は,各データポイントを確率的埋め込みにマッピングすることで,確率的フレームワークに基づくドメイン不変表現を学習する。提案手法は,分布上のテクスト分布の測定値(大域的視点アライメント)と分布に基づくコントラスト的セマンティックアライメント(コントラスト的セマンティックアライメント)を結合することができる。
論文参考訳（メタデータ） (2024-02-09T02:59:08Z)
Lower Bounds on the Bayesian Risk via Information Measures [17.698319441265223]
マルコフの不等式を介して双対を上界にすることで、あらゆる情報測度でリスクを低くすることができることを示す。サンプル数における下位境界の挙動は、情報尺度の選択によって影響される。観測結果が民営化される場合、強いデータ・プロシーシングの不等式により、強い不合理性が得られる。
論文参考訳（メタデータ） (2023-03-22T12:09:12Z)
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)
Off-policy estimation of linear functionals: Non-asymptotic theory for semi-parametric efficiency [59.48096489854697]
観測データに基づいて線形汎関数を推定する問題は、因果推論と包帯文献の両方において標準的である。このような手順の平均二乗誤差に対して非漸近上界を証明した。非漸近的局所ミニマックス下限をマッチングすることにより、有限標本のインスタンス依存最適性を確立する。
論文参考訳（メタデータ） (2022-09-26T23:50:55Z)
Double logistic regression approach to biased positive-unlabeled data [3.6594988197536344]
後続確率と確率スコア関数の結合推定問題に対するパラメトリックなアプローチを考察する。そこで本研究では, 交互表現に基づく最大解法と2番目の解法という, 2つの推定手法を提案する。実験の結果,提案手法は期待最大化方式に基づく既存手法と同等か優れていることがわかった。
論文参考訳（メタデータ） (2022-09-16T08:32:53Z)
Data-Driven Influence Functions for Optimization-Based Causal Inference [105.5385525290466]
統計的汎関数に対するガトー微分を有限差分法で近似する構成的アルゴリズムについて検討する。本研究では,確率分布を事前知識がないが,データから推定する必要がある場合について検討する。
論文参考訳（メタデータ） (2022-08-29T16:16:22Z)
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)
Exploring the Intrinsic Probability Distribution for Hyperspectral Anomaly Detection [9.653976364051564]
超スペクトル異常検出のための原データにおける背景と異常の両方の固有分布を探索する新しい確率分布表現検出器(pdrd)を提案する。提案手法の性能を評価するために, 4つの実データ集合の実験を行った。
論文参考訳（メタデータ） (2021-05-14T11:42:09Z)
Doubly Robust Semiparametric Difference-in-Differences Estimators with High-Dimensional Data [15.27393561231633]
不均一な治療効果を推定するための2段半パラメトリック差分差分推定器を提案する。第1段階では、確率スコアを推定するために、一般的な機械学習手法が使用できる。第2段階ではパラメトリックパラメータと未知関数の両方の収束率を導出する。
論文参考訳（メタデータ） (2020-09-07T15:14:29Z)
Orthogonal Statistical Learning [49.55515683387805]
人口リスクが未知のニュアンスパラメータに依存するような環境では,統計学習における非漸近的過剰リスク保証を提供する。人口リスクがNeymanityと呼ばれる条件を満たす場合,メタアルゴリズムによって達成される過剰リスクに対するニュアンス推定誤差の影響は2次であることを示す。
論文参考訳（メタデータ） (2019-01-25T02:21:24Z)

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。