論文の概要: Revisiting inference after prediction
- arxiv url: http://arxiv.org/abs/2306.13746v2
- Date: Mon, 1 Jan 2024 17:11:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 02:07:05.994948
- Title: Revisiting inference after prediction
- Title（参考訳）: 予測後の推論の再考
- Authors: Keshav Motwani and Daniela Witten
- Abstract要約: 本稿では,Angelopoulos et al. (2023) が提案する手法が,タイプ1エラー率の制御に成功し,精度のよい信頼区間を提供することを示す。
しかし、Wang et al. (2020) によって提案された手法は、非常に強い条件下でのみ有効な推論を提供するが、実際にはほとんど成り立たない。
- 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: Recent work has focused on the very common practice of prediction-based
inference: that is, (i) using a pre-trained machine learning model to predict
an unobserved response variable, and then (ii) conducting inference on the
association between that predicted response and some covariates. As pointed out
by Wang et al. (2020), applying a standard inferential approach in (ii) does
not accurately quantify the association between the unobserved (as opposed to
the predicted) response and the covariates. In recent work, Wang et al. (2020)
and Angelopoulos et al. (2023) propose corrections to step (ii) in order to
enable valid inference on the association between the unobserved response and
the covariates. Here, we show that the method proposed by Angelopoulos et al.
(2023) successfully controls the type 1 error rate and provides confidence
intervals with correct nominal coverage, regardless of the quality of the
pre-trained machine learning model used to predict the unobserved response.
However, the method proposed by Wang et al. (2020) provides valid inference
only under very strong conditions that rarely hold in practice: for instance,
if the machine learning model perfectly estimates the true regression function
in the study population of interest.
- Abstract（参考訳）: 最近の研究は、予測に基づく推論という非常に一般的な実践に焦点を当てている。
(i)事前学習した機械学習モデルを用いて、観測されていない応答変数を予測し、次に、
二 予測応答と一部の共変量との関連性に関する推論を行うこと。
wang et al. (2020) で指摘されているように、標準推論アプローチを適用する
(ii)は、観測されていない(予測された)応答と共変量との関係を正確に定量化していない。
Wang et al. (2020) と Angelopoulos et al. (2023) は最近の研究でステップの修正を提案している。
(ii) 観測されていない応答と共変量との相関に関する有効な推論を可能にすること。
本稿では,angelopoulosら (2023) が提案する手法がタイプ1の誤り率の制御に成功し,不観測応答の予測に使用される事前学習された機械学習モデルの品質に関わらず,信頼区間と正しい公称カバレッジを提供することを示す。
しかし、wang et al. (2020) によって提唱された手法は、実際にほとんど持たない非常に強い条件下でのみ有効な推論を提供する:例えば、機械学習モデルが興味のある研究人口の真の回帰関数を完全に推定するならば。
関連論文リスト
- 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) - 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) - Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。
合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
論文 参考訳（メタデータ） (2023-02-23T18:57:14Z) - 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) - Selective Regression Under Fairness Criteria [30.672082160544996]
少数派集団のパフォーマンスは、カバー範囲を減らしながら低下する場合もある。
満足度基準を満たす特徴を構築できれば、そのような望ましくない行動は避けられることを示す。
論文 参考訳（メタデータ） (2021-10-28T19:05:12Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。
予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
論文 参考訳（メタデータ） (2020-07-08T11:35:47Z) - 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。