論文の概要: Nonparametric Instrumental Variable Regression through Stochastic
Approximate Gradients
- arxiv url: http://arxiv.org/abs/2402.05639v1
- Date: Thu, 8 Feb 2024 12:50:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 15:19:05.245548
- Title: Nonparametric Instrumental Variable Regression through Stochastic
Approximate Gradients
- Title(参考訳): 確率近似勾配による非パラメトリック機器可変回帰
- Authors: Caio Peixoto, Yuri Saporito, Yuri Fonseca
- Abstract要約: 本稿では,非パラメトリックインスツルメンタル変数(NPIV)の回帰を行うための新しいフレームワークであるSAGD-IVを提案する。
提案アルゴリズムの理論的サポートを提供し、実証実験によりその競争性能をさらに実証する。
- 参考スコア(独自算出の注目度): 0.36832029288386137
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This paper proposes SAGD-IV, a novel framework for conducting nonparametric
instrumental variable (NPIV) regression by employing stochastic approximate
gradients to minimize the projected populational risk. Instrumental Variables
(IVs) are widely used in econometrics to address estimation problems in the
presence of unobservable confounders, and the Machine Learning community has
devoted significant effort to improving existing methods and devising new ones
in the NPIV setting, which is known to be an ill-posed linear inverse problem.
We provide theoretical support for our algorithm and further exemplify its
competitive performance through empirical experiments. Furthermore, we address,
with promising results, the case of binary outcomes, which has not received as
much attention from the community as its continuous counterpart.
- Abstract(参考訳): SAGD-IVは、確率的近似勾配を用いて、予測された人口リスクを最小限に抑えることで、非パラメトリックな計測変数(NPIV)回帰を行うための新しいフレームワークである。
計測変数(IV)は、観測不能な共同創設者の存在下で推定問題に対処するために広く用いられており、機械学習コミュニティは既存の手法の改善やNPIV設定における新たな手法の考案に多大な努力を払ってきた。
提案アルゴリズムの理論的サポートを提供し、実証実験によりその競争性能をさらに実証する。
さらに,その継続的な成果がコミュニティからあまり注目されていないバイナリ結果の場合についても,有望な結果とともに対処する。
関連論文リスト
- Regularized DeepIV with Model Selection [72.17508967124081]
正規化DeepIV(RDIV)回帰は最小ノルムIV解に収束することができる。
我々の手法は現在の最先端の収束率と一致している。
論文 参考訳(メタデータ) (2024-03-07T05:38:56Z) - Transfer Learning for Nonparametric Regression: Non-asymptotic Minimax
Analysis and Adaptive Procedure [5.303044915173525]
我々は,最小限のリスクを対数係数まで達成できる信頼しきい値推定器と呼ばれる新しい推定器を開発した。
次に,パラメータ空間の幅の広い対数係数までの最小リスクを適応的に達成するデータ駆動アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-22T16:24:04Z) - Model-Based Epistemic Variance of Values for Risk-Aware Policy
Optimization [63.32053223422317]
モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。
特に、MDP上の分布によって誘導される値の分散を特徴付けることに焦点をあてる。
我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。
論文 参考訳(メタデータ) (2023-12-07T15:55:58Z) - A Semiparametric Instrumented Difference-in-Differences Approach to
Policy Learning [2.1989182578668243]
本稿では,最適な治療方針を学習するための汎用機器差分差分法(DiD)アプローチを提案する。
具体的には、並列傾向仮定が成立しない場合、二進楽器変数(IV)を用いて識別結果を確立する。
また、ウォルド推定器、新しい逆確率推定器、半効率的で乗算的な頑健な推定器のクラスを構築する。
論文 参考訳(メタデータ) (2023-10-14T09:38:32Z) - 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) - Errors-in-variables Fr\'echet Regression with Low-rank Covariate
Approximation [2.1756081703276]
Fr'echet回帰は、非ユークリッド応答変数を含む回帰分析のための有望なアプローチとして登場した。
提案手法は,大域的Fr'echet回帰と主成分回帰の概念を組み合わせて,回帰推定器の効率と精度を向上させることを目的とする。
論文 参考訳(メタデータ) (2023-05-16T08:37:54Z) - Confounder Balancing for Instrumental Variable Regression with Latent
Variable [29.288045682505615]
本稿では,未測定の共同設立者からの共謀効果と,IV回帰における観察された共同設立者の不均衡について検討する。
我々は、計測されていない共同設立者からバイアスを取り除き、観察された共同設立者の不均衡を取り除くために、共同設立者バランスIV回帰(CB-IV)アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-11-18T03:13:53Z) - Vector-Valued Least-Squares Regression under Output Regularity
Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。
提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文 参考訳(メタデータ) (2022-11-16T15:07:00Z) - Regularizing Variational Autoencoder with Diversity and Uncertainty
Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。
よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文 参考訳(メタデータ) (2021-10-24T07:58:13Z) - Scalable Quasi-Bayesian Inference for Instrumental Variable Regression [40.33643110066981]
本稿では,最近開発されたカーネル化IVモデルに基づいて,拡張性のある準ベイズ的回帰法を提案する。
提案手法では,データ生成プロセスに関する追加の仮定を必要とせず,対応する点推定法に匹敵する時間コストで,スケーラブルな近似推論アルゴリズムを導出する。
論文 参考訳(メタデータ) (2021-06-16T12:52:19Z) - Reparameterized Variational Divergence Minimization for Stable Imitation [57.06909373038396]
確率的発散の選択における変動が、より高性能なILOアルゴリズムをもたらす可能性について検討する。
本稿では,提案する$f$-divergence最小化フレームワークの課題を軽減するために,逆模倣学習のための再パラメータ化手法を提案する。
経験的に、我々の設計選択は、ベースラインアプローチより優れ、低次元連続制御タスクにおける専門家のパフォーマンスとより密に適合するIOOアルゴリズムを許容することを示した。
論文 参考訳(メタデータ) (2020-06-18T19:04:09Z)
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。