論文の概要: Robust Bayesian Inference for Measurement Error Models

• arxiv url: http://arxiv.org/abs/2306.01468v1
• Date: Fri, 2 Jun 2023 11:48:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 15:27:52.500174
• Title: Robust Bayesian Inference for Measurement Error Models
• Title（参考訳）: 測定誤差モデルに対するロバストベイズ推定
• Authors: Charita Dellaporta, Theodoros Damoulas
• Abstract要約: 測定誤差は、応答変数に影響を及ぼす共変量の集合がノイズによって破損した場合に発生する。 既存の測定誤差を扱う方法は、しばしば強い仮定に依存する。
• 参考スコア（独自算出の注目度）: 12.716429755564821
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Measurement error occurs when a set of covariates influencing a response variable are corrupted by noise. This can lead to misleading inference outcomes, particularly in problems where accurately estimating the relationship between covariates and response variables is crucial, such as causal effect estimation. Existing methods for dealing with measurement error often rely on strong assumptions such as knowledge of the error distribution or its variance and availability of replicated measurements of the covariates. We propose a Bayesian Nonparametric Learning framework which is robust to mismeasured covariates, does not require the preceding assumptions, and is able to incorporate prior beliefs about the true error distribution. Our approach gives rise to two methods that are robust to measurement error via different loss functions: one based on the Total Least Squares objective and the other based on Maximum Mean Discrepancy (MMD). The latter allows for generalisation to non-Gaussian distributed errors and non-linear covariate-response relationships. We provide bounds on the generalisation error using the MMD-loss and showcase the effectiveness of the proposed framework versus prior art in real-world mental health and dietary datasets that contain significant measurement errors.
• Abstract（参考訳）: 測定誤差は、応答変数に影響を及ぼす共変量の集合がノイズによって破損した場合に発生する。 これは、特に因果効果推定のような共変量と応答変数の関係を正確に推定する問題において、誤った推論結果をもたらす可能性がある。 既存の測定誤差に対処する方法は、誤差分布の知識やその分散、共変量の測定の再現性といった強い仮定に依存することが多い。 本研究では,共変数の誤測定に頑健なベイズ非パラメトリック学習フレームワークを提案し,事前の仮定を必要とせず,真の誤差分布に関する事前の信念を組み込むことができる。 提案手法は,損失関数による誤差の測定にロバストな2つの手法を導出する。1つは最小2乗対象,もう1つは最大平均差(mmd)に基づく。 後者は非ガウス分布誤差と非線形共変-応答関係の一般化を可能にする。 mmd-lossを用いた一般化誤差の限界を提供し,実世界のメンタルヘルスと食事データセットにおいて重要な測定誤差を含む先行技術と比較して,提案手法の有効性を示す。

関連論文リスト

• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• 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)
• Nonlinear Permuted Granger Causality [0.6526824510982799]
  グランガー因果推論(Granger causal inference)は、経済学から神経科学まで幅広い分野において用いられる、論争的だが広範な手法である。 サンプル外比較を可能にするために、共変集合の置換を用いて関数接続の尺度を明示的に定義する。 変分法の性能を, シミュレーションによる変分選択, ナイーブ置換, 省略技術と比較した。
  論文  参考訳（メタデータ） (2023-08-11T16:44:16Z)
• Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
  本研究では,不正確な連続処理変数を仮定するモデルを提案する。 我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。 我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
  論文  参考訳（メタデータ） (2023-06-18T18:38:10Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach [24.52459180982653]
  原因が誤りである場合の因果効果に対するカーネルベースの非パラメトリック推定器を提案する。 提案手法であるMEKIVは,測定誤差の強度変化の下で,ベースラインを改良し,頑健であることを示す。
  論文  参考訳（メタデータ） (2022-06-18T11:47:25Z)
• 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)
• Decorrelated Variable Importance [0.0]
  LOCOの修正版を定義し,相関効果を緩和する手法を提案する。 このパラメータは非パラメトリック推定が難しいが,半パラメトリックモデルを用いて推定する方法を示す。
  論文  参考訳（メタデータ） (2021-11-21T16:31:36Z)
• Estimation of Bivariate Structural Causal Models by Variational Gaussian Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
  因果機構は構造因果モデルによって記述できる。 最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
  論文  参考訳（メタデータ） (2021-09-06T14:52:58Z)
• Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
  本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。 堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。 異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
  論文  参考訳（メタデータ） (2020-07-21T08:18:06Z)

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。