論文の概要: Globally-Optimal Greedy Experiment Selection for Active Sequential
Estimation
- arxiv url: http://arxiv.org/abs/2402.08602v1
- Date: Tue, 13 Feb 2024 17:09:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 14:29:08.094366
- Title: Globally-Optimal Greedy Experiment Selection for Active Sequential
Estimation
- Title(参考訳): アクティブシーケンス推定のためのグローバル最適グリーディ実験選択
- Authors: Xiaoou Li and Hongru Zhao
- Abstract要約: 逐次的に収集したデータの実験を適応的に選択するアクティブシーケンシャル推定の問題について検討する。
目標は、より正確なモデル推定のための実験選択ルールを設計することである。
そこで本稿では,グリーディ実験の選択手法のクラスを提案し,最大可能性の統計的解析を行う。
- 参考スコア(独自算出の注目度): 1.1530723302736279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motivated by modern applications such as computerized adaptive testing,
sequential rank aggregation, and heterogeneous data source selection, we study
the problem of active sequential estimation, which involves adaptively
selecting experiments for sequentially collected data. The goal is to design
experiment selection rules for more accurate model estimation. Greedy
information-based experiment selection methods, optimizing the information gain
for one-step ahead, have been employed in practice thanks to their
computational convenience, flexibility to context or task changes, and broad
applicability. However, statistical analysis is restricted to one-dimensional
cases due to the problem's combinatorial nature and the seemingly limited
capacity of greedy algorithms, leaving the multidimensional problem open.
In this study, we close the gap for multidimensional problems. In particular,
we propose adopting a class of greedy experiment selection methods and provide
statistical analysis for the maximum likelihood estimator following these
selection rules. This class encompasses both existing methods and introduces
new methods with improved numerical efficiency. We prove that these methods
produce consistent and asymptotically normal estimators. Additionally, within a
decision theory framework, we establish that the proposed methods achieve
asymptotic optimality when the risk measure aligns with the selection rule. We
also conduct extensive numerical studies on both simulated and real data to
illustrate the efficacy of the proposed methods.
From a technical perspective, we devise new analytical tools to address
theoretical challenges. These analytical tools are of independent theoretical
interest and may be reused in related problems involving stochastic
approximation and sequential designs.
- Abstract(参考訳): コンピュータ適応テスト、シーケンシャルランクアグリゲーション、異種データソース選択といった近代的な応用により、逐次的に収集されたデータの実験を適応的に選択するアクティブシーケンシャル推定の問題を研究する。
目標は、より正確なモデル推定のための実験選択ルールを設計することである。
情報に基づく厳密な実験選択手法は, 計算の利便性, コンテキストやタスクの変更に対する柔軟性, 幅広い適用性により, 一歩先まで情報ゲインを最適化する。
しかし、統計解析は、問題の組合せ的性質と、一見希薄なアルゴリズムの能力のため、1次元の場合に限られ、多次元問題は開いている。
本研究では,多次元問題に対するギャップを閉じる。
特に,これらの選択規則に従う最大確率推定器について,一連の欲求実験選択法を採用し,統計的解析を行う。
このクラスは、既存手法の両方を包含し、数値効率を向上した新しい手法を導入する。
これらの手法が一貫した漸近的および漸近的正規推定器を生成することを証明した。
さらに, 決定理論の枠組みにおいて, リスク測度が選択規則に適合する場合に, 提案手法が漸近的最適性を達成することを定めている。
また、シミュレーションデータと実データの両方について広範な数値的研究を行い、提案手法の有効性を示す。
技術的観点から、理論的課題に対処するための新しい分析ツールを考案する。
これらの分析ツールは独立した理論的な関心を持ち、確率近似や逐次設計を含む関連する問題で再利用することができる。
関連論文リスト
- Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。
本手法は, 精度の高い問題に特に適している。
提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文 参考訳(メタデータ) (2023-11-08T00:10:21Z) - Best-Effort Adaptation [62.00856290846247]
本稿では, 試料再重み付け法に関する新しい理論的解析を行い, 試料再重み付け法を一様に保持する境界について述べる。
これらの境界が、我々が詳細に議論する学習アルゴリズムの設計を導く方法を示す。
本稿では,本アルゴリズムの有効性を実証する一連の実験結果について報告する。
論文 参考訳(メタデータ) (2023-05-10T00:09:07Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳(メタデータ) (2023-03-03T21:41:01Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳(メタデータ) (2022-11-17T15:48:06Z) - Statistical Inference After Adaptive Sampling for Longitudinal Data [9.468593929311867]
本研究では,Z推定による適応的なサンプルデータに対して,様々な統計的解析を行う新しい手法を開発した。
本研究は, 実験プロセスのための新しい理論ツールを開発し, 個別の関心を持つ可能性のある, 適応的にサンプル化された長手データについて述べる。
論文 参考訳(メタデータ) (2022-02-14T23:48:13Z) - More Powerful Conditional Selective Inference for Generalized Lasso by
Parametric Programming [20.309302270008146]
条件付き選択的推論(si)は、データ駆動仮説の新しい統計推論フレームワークとして研究されてきた。
二次パラメトリックプログラミングに変換可能な問題のクラスに対して,より強力で一般的な条件付きSI法を提案する。
論文 参考訳(メタデータ) (2021-05-11T10:12:00Z) - On Statistical Efficiency in Learning [37.08000833961712]
モデルフィッティングとモデル複雑性のバランスをとるためのモデル選択の課題に対処する。
モデルの複雑さを順次拡大し、選択安定性を高め、コストを削減するオンラインアルゴリズムを提案します。
実験の結果, 提案手法は予測能力が高く, 計算コストが比較的低いことがわかった。
論文 参考訳(メタデータ) (2020-12-24T16:08:29Z) - Algorithms for Solving Nonlinear Binary Optimization Problems in Robust
Causal Inference [2.169755083801688]
連続的な結果を持つ観測データから、堅牢な因果推論テストインスタンスを解くための勾配アルゴリズムを提案する。
実現可能性定式化の構造を生かして,ロバストなテスト問題を解決するのに効率的な欲望スキームを開発する。
論文 参考訳(メタデータ) (2020-12-22T16:12:11Z) - Decomposition and Adaptive Sampling for Data-Driven Inverse Linear
Optimization [12.610576072466895]
この研究は、線形プログラムの未知のコストベクトルを推論することが目的である逆線形最適化に対処する。
本稿では,既存の手法と比較して,制約の少ない,一般的に許容可能なコスト見積の集合の回復を可能にする,新たな問題の定式化を導入する。
論文 参考訳(メタデータ) (2020-09-16T22:25:31Z) - Marginal likelihood computation for model selection and hypothesis
testing: an extensive review [66.37504201165159]
この記事では、このトピックの最先端に関する総合的な研究について紹介する。
さまざまなテクニックの制限、メリット、コネクション、差異を強調します。
また、不適切な事前利用の問題や解決法についても述べる。
論文 参考訳(メタデータ) (2020-05-17T18:31:58Z)
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。