論文の概要: Faster Rates for Switchback Experiments
- arxiv url: http://arxiv.org/abs/2312.15574v2
- Date: Mon, 5 Feb 2024 17:00:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 03:30:26.284549
- Title: Faster Rates for Switchback Experiments
- Title(参考訳): スイッチバック実験の高速化
- Authors: Su Jia, Nathan Kallus, Christina Lee Yu
- Abstract要約: ブロック全体を用いた代替推定器を提案し、同じ仮定で設計に依存しない GATE 推定値に対して$sqrtlog T/T$ を推定できることを驚くほど示す。
- 参考スコア(独自算出の注目度): 50.17596656599103
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Switchback experimental design, wherein a single unit (e.g., a whole system)
is exposed to a single random treatment for interspersed blocks of time,
tackles both cross-unit and temporal interference. Hu and Wager (2022) recently
proposed a treatment-effect estimator that truncates the beginnings of blocks
and established a $T^{-1/3}$ rate for estimating the global average treatment
effect (GATE) in a Markov setting with rapid mixing. They claim this rate is
optimal and suggest focusing instead on a different (and design-dependent)
estimand so as to enjoy a faster rate. For the same design we propose an
alternative estimator that uses the whole block and surprisingly show that it
in fact achieves an estimation rate of $\sqrt{\log T/T}$ for the original
design-independent GATE estimand under the same assumptions.
- Abstract(参考訳): スイッチバック実験設計では、1つのユニット(例えば、システム全体)が1つのランダムな時間ブロックの処理に晒され、クロスユニットと時間的干渉の両方に取り組む。
Hu and Wager (2022) はブロックの開始点を縮める処理効果推定器を提案し、高速な混合を伴うマルコフ条件下でのグローバル平均処理効果(GATE)を推定するための$T^{-1/3}$レートを確立した。
彼らはこのレートが最適であり、より速いレートを楽しむために、異なる(そして設計に依存した)見積もりに焦点を当てることを提案している。
同じ設計の場合、ブロック全体を用いた代替推定器を提案し、同じ仮定の下で、元の設計に依存しないGATE推定器に対して、実際に$\sqrt{\log T/T}$の推定率を達成できることを示した。
関連論文リスト
- DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。
遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
論文 参考訳(メタデータ) (2024-03-25T22:49:56Z) - Neural-network quantum state study of the long-range antiferromagnetic
Ising chain [0.8668681178945166]
長距離反強磁性相互作用の崩壊を伴う横磁場イジング鎖の量子相転移について検討する。
中心電荷は、短距離(SR)イジング値に非常に近い臨界指数に対して、小さな崩壊指数$alpha_mathrmLR$で1/2から逸脱する。
論文 参考訳(メタデータ) (2023-08-18T17:58:36Z) - Spectral Normalized-Cut Graph Partitioning with Fairness Constraints [18.835004555146575]
正規化されたグラフ分割は、グラフ内のノードの集合を$k$ディスジョイントクラスタに分割して、任意のクラスタと他のクラスタ間の全エッジの分画を最小限にすることを目的としている。
本稿では,ノードが異なる階層群に属することを示す分類学的属性によって特徴付けられる分割問題の公平な変種について考察する。
私たちの目標は、正規化されたカット値を最小化しながら、各グループが各クラスタにほぼ比例的に表現されることを保証することです。
論文 参考訳(メタデータ) (2023-07-22T12:20:46Z) - Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。
本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Variance-Dependent Regret Bounds for Linear Bandits and Reinforcement
Learning: Adaptivity and Computational Efficiency [90.40062452292091]
本稿では,不整合雑音を持つ線形帯域に対する計算効率のよい最初のアルゴリズムを提案する。
我々のアルゴリズムは未知のノイズの分散に適応し、$tildeO(d sqrtsum_k = 1K sigma_k2 + d)$ regretを達成する。
また、強化学習において、線形混合マルコフ決定過程(MDP)に対する分散適応アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-02-21T00:17:24Z) - Optimal Clustering with Bandit Feedback [84.04424523097168]
本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。
これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。
合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
論文 参考訳(メタデータ) (2022-02-09T06:05:05Z) - Dissipation and gate timing errors in SWAP operations of qubits [0.0]
応答量子ビットの連鎖上のSWAPゲート列の忠実度に及ぼす散逸とゲートタイミング誤差の影響について検討する。
その結果, SWAP 操作の完全性は低下することがわかった。
ゲートタイミング誤差が$J_textSWAP$の効果的な最適値を生成し、不確実性が増大し始めます。
論文 参考訳(メタデータ) (2021-10-21T17:59:01Z) - A Stochastic Alternating Balance $k$-Means Algorithm for Fair Clustering [0.0]
ローン申請や広告などの人間中心の意思決定システムへのデータクラスタリングの適用において、クラスタリングの結果は異なる人口集団の人々に対して差別される可能性がある。
そこで我々は,$k$-meansの更新とグループスワップ更新を併用した,新たな交代バランス型$k$-means (SAKM) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-29T01:47:15Z) - Federated Functional Gradient Boosting [75.06942944563572]
フェデレーション学習における機能最小化に関する研究
FFGB.C と FFGB.L は、特徴分布がより均一になるにつれて収束半径が 0 に縮まる。
論文 参考訳(メタデータ) (2021-03-11T21:49:19Z) - Synthetic Interventions [20.96904429337912]
各ユニットの介入にともなう潜在的な結果を学習し、合計で$N倍D$因果パラメータを学習する。
我々は、これらの$NのD$因果的パラメータを推測するために、因果的枠組み、合成的介入(SI)を提案する。
この結果は,データ効率のよいランダム化実験の設計に影響を及ぼす可能性がある。
論文 参考訳(メタデータ) (2020-06-13T18:15:22Z)
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。