論文の概要: Sparse Bayesian Multidimensional Item Response Theory
- arxiv url: http://arxiv.org/abs/2310.17820v1
- Date: Thu, 26 Oct 2023 23:50:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-30 15:08:37.159836
- Title: Sparse Bayesian Multidimensional Item Response Theory
- Title(参考訳): スパースベイズ多次元項目応答理論
- Authors: Jiguang Li, Robert Gibbons, and Veronika Rockova
- Abstract要約: 本稿では,二項および順序項目MIRTのためのベイズ的プラットフォームを開発する。
チューニングが最小限で、比較的大規模なデータセットで十分スケールする必要がある。
2つのデータセットに対して,本手法の実用的有用性を示す。
- 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: Multivariate Item Response Theory (MIRT) is sought-after widely by applied
researchers looking for interpretable (sparse) explanations underlying response
patterns in questionnaire data. There is, however, an unmet demand for such
sparsity discovery tools in practice. Our paper develops a Bayesian platform
for binary and ordinal item MIRT which requires minimal tuning and scales well
on relatively large datasets due to its parallelizable features. Bayesian
methodology for MIRT models has traditionally relied on MCMC simulation, which
cannot only be slow in practice, but also often renders exact sparsity recovery
impossible without additional thresholding. In this work, we develop a scalable
Bayesian EM algorithm to estimate sparse factor loadings from binary and
ordinal item responses. We address the seemingly insurmountable problem of
unknown latent factor dimensionality with tools from Bayesian nonparametrics
which enable estimating the number of factors. Rotations to sparsity through
parameter expansion further enhance convergence and interpretability without
identifiability constraints. In our simulation study, we show that our method
reliably recovers both the factor dimensionality as well as the latent
structure on high-dimensional synthetic data even for small samples. We
demonstrate the practical usefulness of our approach on two datasets: an
educational item response dataset and a quality-of-life measurement dataset.
Both demonstrations show that our tool yields interpretable estimates,
facilitating interesting discoveries that might otherwise go unnoticed under a
pure confirmatory factor analysis setting. We provide an easy-to-use software
which is a useful new addition to the MIRT toolkit and which will hopefully
serve as the go-to method for practitioners.
- Abstract(参考訳): 多変量項目応答理論 (mirt) は, アンケートデータに基づく解釈可能(スパース)な説明を求めて, 広く研究されている。
しかし、実際にはこのようなスパルシリティ発見ツールの需要は小さくない。
本稿では, 並列化可能な特徴を持つ比較的大規模なデータセットに対して, 最小限のチューニングとスケールを必要とする, バイナリおよび順序項目MIRTのためのベイズプラットフォームを開発した。
mirtモデルのためのベイジアン手法は伝統的にmcmcシミュレーションに依存しており、これは実際には遅くなるだけでなく、追加のしきい値なしで正確なスパーシティ回復を不可能にすることもしばしばある。
本研究では,2次および順序項目応答からスパース因子負荷を推定するスケーラブルなベイズEMアルゴリズムを開発した。
ベイズ的非パラメトリックによる因子数推定ツールを用いて、未知の潜在因子次元の予想不可能な問題に対処する。
パラメータ展開による疎性への回転は、識別可能性制約なしで収束と解釈性をさらに向上させる。
シミュレーション研究により,本手法は高次元合成データにおける因子次元と潜時構造の両方を,小サンプルにおいても確実に復元することを示した。
本手法は,教育項目応答データセットとqol測定データセットの2つのデータセットにおいて実用的有用性を示す。
どちらの実証も、ツールが解釈可能な推定値をもたらし、純粋な確認因子分析設定で気づかないかもしれない興味深い発見を促進することを示している。
mirtツールキットに便利な追加機能であり、実践者のためのgo-toメソッドとして役立つ、使いやすいソフトウェアを提供する。
関連論文リスト
- Scalable Learning of Item Response Theory Models [53.43355949923962]
項目応答理論(IRT)モデルは、分類データから、$m$テスト項目の遅延困難特性とともに、$n$試験の潜時能力を評価することを目的としている。
我々はこれらのモデルの類似性をロジスティック回帰に利用し、コアセットと呼ばれる小さな重み付き部分集合を用いて正確に近似することができる。
論文 参考訳(メタデータ) (2024-03-01T17:12:53Z) - On Least Squares Estimation in Softmax Gating Mixture of Experts [85.61224527426624]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳(メタデータ) (2024-02-05T12:31:18Z) - Querying Easily Flip-flopped Samples for Deep Active Learning [63.62397322172216]
アクティブラーニング(英: Active Learning)は、ラベルのないデータを戦略的に選択してクエリすることで、モデルの性能を向上させることを目的とした機械学習パラダイムである。
効果的な選択戦略の1つはモデルの予測の不確実性に基づくもので、サンプルがどの程度情報的であるかの尺度として解釈できる。
本稿では,予測されたラベルの不一致の最小確率として,最小不一致距離(LDM)を提案する。
論文 参考訳(メタデータ) (2024-01-18T08:12:23Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Multiple Testing of Linear Forms for Noisy Matrix Completion [14.496082411670677]
急激な新しい統計値を持つ個別試験のための新しい統計値を導入することで、難易度を克服する一般的な手法を開発する。
ほぼ最適なサンプルサイズ条件下で、有効FDR制御が保証されたパワーで達成可能であることを示す。
論文 参考訳(メタデータ) (2023-12-01T02:53:20Z) - Exploring Unified Perspective For Fast Shapley Value Estimation [77.15924044466976]
共有値の単純かつ効率的な推定法であるSimSHAPを提案する。
実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
論文 参考訳(メタデータ) (2023-11-02T06:09:24Z) - ALMERIA: Boosting pairwise molecular contrasts with scalable methods [0.0]
ALMERIAは、一対の分子コントラストに基づく化合物の類似性と活性予測を推定するためのツールである。
大量のデータを利用するスケーラブルなソフトウェアと手法を使って実装されている。
分子活性予測の最先端性能を示す実験を行った。
論文 参考訳(メタデータ) (2023-04-28T16:27:06Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - Modeling Item Response Theory with Stochastic Variational Inference [8.369065078321215]
項目応答理論(IRT)のための変分ベイズ推論アルゴリズムを提案する。
この手法を5つの大規模項目応答データセットに適用すると、欠落したデータを出力する際の高いログ可能性と高い精度が得られる。
アルゴリズムの実装はオープンソースであり、簡単に利用できる。
論文 参考訳(メタデータ) (2021-08-26T05:00:27Z) - Locally Interpretable Model Agnostic Explanations using Gaussian
Processes [2.9189409618561966]
LIME(Local Interpretable Model-Agnostic Explanations)は、単一インスタンスの予測を説明する一般的なテクニックである。
局所的解釈可能なモデルのガウス過程(GP)に基づくバリエーションを提案する。
提案手法は,LIMEに比べてはるかに少ないサンプルを用いて忠実な説明を生成可能であることを示す。
論文 参考訳(メタデータ) (2021-08-16T05:49:01Z) - Scalable Gaussian Processes for Data-Driven Design using Big Data with
Categorical Factors [14.337297795182181]
ガウス過程(GP)は、大きなデータセット、カテゴリ入力、および複数の応答を調節するのに困難である。
本稿では,変分推論によって得られた潜伏変数と関数を用いて,上記の課題を同時に解決するGPモデルを提案する。
本手法は三元系酸化物材料の機械学習と多スケール対応機構のトポロジー最適化に有用である。
論文 参考訳(メタデータ) (2021-06-26T02:17:23Z)
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。