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
- Distributional Shift-Aware Off-Policy Interval Estimation: A Unified
Error Quantification Framework [8.572441599469597]
本研究では、無限水平マルコフ決定過程の文脈における高信頼オフ政治評価について検討する。
目的は、未知の行動ポリシーから事前に収集されたオフラインデータのみを用いて、対象の政策値に対する信頼区間(CI)を確立することである。
提案アルゴリズムは, 非線形関数近似設定においても, サンプル効率, 誤差ローバスト, 既知収束性を示す。
論文 参考訳(メタデータ) (2023-09-23T06:35:44Z) - Quantifying predictive uncertainty of aphasia severity in stroke
patients with sparse heteroscedastic Bayesian high-dimensional regression [49.504432873468254]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳(メタデータ) (2023-09-15T22:06:29Z) - Identifiable causal inference with noisy treatment and no side
information [4.407254732921214]
本研究では,不正確な連続処理変数を仮定するモデルについて検討する。
提案手法の因果効果推定は, 測定誤差のばらつきや, その他の側面情報の知識がなくても, 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) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳(メタデータ) (2023-06-01T10:51:58Z) - 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) - 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) - Partial Identification with Noisy Covariates: A Robust Optimization
Approach [94.10051154390237]
観測データセットからの因果推論は、しばしば共変量の測定と調整に依存する。
このロバストな最適化手法により、広範囲な因果調整法を拡張し、部分的同定を行うことができることを示す。
合成および実データセット全体で、このアプローチは既存の手法よりも高いカバレッジ確率でATEバウンダリを提供する。
論文 参考訳(メタデータ) (2022-02-22T04:24:26Z) - 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) - Reducing the Variance of Variational Estimates of Mutual Information by
Limiting the Critic's Hypothesis Space to RKHS [0.0]
相互情報(英: Mutual Information、MI)は、2つの確率変数間の依存性に関する情報理論の尺度である。
近年の手法では、未知密度比を近似するニューラルネットワークとしてパラメトリック確率分布や批判が実現されている。
我々は、高分散特性は、批評家の仮説空間の制御不能な複雑さに起因すると論じる。
論文 参考訳(メタデータ) (2020-11-17T14:32:48Z) - 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) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
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。