論文の概要: Combining Evidence Across Filtrations
- arxiv url: http://arxiv.org/abs/2402.09698v1
- Date: Thu, 15 Feb 2024 04:16:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 17:03:33.068062
- Title: Combining Evidence Across Filtrations
- Title(参考訳): フィルター間のエビデンスの組み合わせ
- Authors: Yo Joong Choe and Aaditya Ramdas
- Abstract要約: e-プロセスは、一連の結果に対して合成ヌル仮説に対して蓄積された証拠を定量化する。
本稿では,異なる情報集合を用いて計算した電子プロセスを組み合わせる手法について検討する。
- 参考スコア(独自算出の注目度): 35.38264087676121
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In anytime-valid sequential inference, it is known that any admissible
inference procedure must be based on test martingales and their composite
generalization, called e-processes, which are nonnegative processes whose
expectation at any arbitrary stopping time is upper-bounded by one. An
e-process quantifies the accumulated evidence against a composite null
hypothesis over a sequence of outcomes. This paper studies methods for
combining e-processes that are computed using different information sets, i.e.,
filtrations, for a null hypothesis. Even though e-processes constructed on the
same filtration can be combined effortlessly (e.g., by averaging), e-processes
constructed on different filtrations cannot be combined as easily because their
validity in a coarser filtration does not translate to validity in a finer
filtration. We discuss three concrete examples of such e-processes in the
literature: exchangeability tests, independence tests, and tests for evaluating
and comparing forecasts with lags. Our main result establishes that these
e-processes can be lifted into any finer filtration using adjusters, which are
functions that allow betting on the running maximum of the accumulated wealth
(thereby insuring against the loss of evidence). We also develop randomized
adjusters that can improve the power of the resulting sequential inference
procedure.
- Abstract(参考訳): 任意の時間価の逐次推論では、任意の許容推論手順は、任意の停止時間における期待が上界である非負のプロセスである、テストマリンタレとその複合一般化(e-processes)に基づいていなければならないことが知られている。
e-プロセスは、累積された証拠を結果のシーケンス上の複合ヌル仮説に対して定量化する。
本稿では,異なる情報集合,すなわちフィルタを用いて計算された電子プロセスを組み合わせる方法,すなわちヌル仮説について検討する。
同じ濾過で構築されたe-プロセスは(例えば平均化によって)無益に結合できるが、粗い濾過ではその妥当性がより細かい濾過では有効性に変換されないため、異なる濾過で構築されたe-プロセスは簡単には結合できない。
本稿では,このようなe-processsの具体例として,交換可能性テスト,独立性テスト,予測と遅延を評価・比較するテストについて論じる。
私たちの主な結果は、これらのe-プロセスは、蓄積された富の最大値に賭けを可能にする機能である調整器を使って、任意の細かい濾過に持ち上げることができるということを示しています。
また、結果の逐次推論手順のパワーを向上できるランダム化調整器を開発した。
関連論文リスト
- Peeking with PEAK: Sequential, Nonparametric Composite Hypothesis Tests
for Means of Multiple Data Streams [42.763520671703326]
本稿では,複数データストリームを用いた合成仮説のための新しい非パラメトリックシーケンシャルテストを提案する。
提案手法は,テスト・アズ・ベッティング・フレームワーク上に構築され,停止時間にまたがる非漸近的な$alpha$レベルのテストを提供する。
論文 参考訳(メタデータ) (2024-02-09T01:11:34Z) - Sequential Kernelized Independence Testing [101.22966794822084]
我々は、カーネル化依存度にインスパイアされたシーケンシャルなカーネル化独立試験を設計する。
シミュレーションデータと実データの両方にアプローチのパワーを実証する。
論文 参考訳(メタデータ) (2022-12-14T18:08:42Z) - Quantile Filtered Imitation Learning [49.11859771578969]
量子フィルタ模倣学習(QFIL)は、オフライン強化学習用に設計されたポリシー改善演算子である。
我々はQFILが機能近似による安全なポリシー改善のステップを提供することを証明した。
QFILはD4RLベンチマークでよく機能します。
論文 参考訳(メタデータ) (2021-12-02T03:08:23Z) - Higher Order Kernel Mean Embeddings to Capture Filtrations of Stochastic
Processes [11.277354787690646]
我々は、KMEの概念を一般化する高階カーネル平均埋め込みの族を紹介する。
我々は,高次最大平均誤差 (MMD) に対する経験的推定器を導出し,整合性を証明した。
我々は,実世界のキャリブレーションと最適な停止問題を解くことができるプロセス上に,普遍カーネル群を構築する。
論文 参考訳(メタデータ) (2021-09-08T12:27:25Z) - Sequential Estimation of Convex Divergences using Reverse Submartingales
and Exchangeable Filtrations [31.088836418378534]
本稿では,分布間の凸発散の逐次推定手法を提案する。
我々のアプローチの技術的基盤は、経験的凸の発散が(部分的に順序づけられた)逆潜水星であることの観察にある。
これらの技術は、信頼配列と凸発散の両方に関する既存の文献に強力な追加であるように見える。
論文 参考訳(メタデータ) (2021-03-16T18:22:14Z) - Bias and Variance of Post-processing in Differential Privacy [53.29035917495491]
後処理免疫は、差分プライバシーの基本的な性質である。
ポストプロセッシングはバイアスをもたらし、ばらつきを増大させるとしばしば主張される。
本稿では,後処理の特性を理解するための第一歩を踏み出す。
論文 参考訳(メタデータ) (2020-10-09T02:12:54Z) - Dependency Aware Filter Pruning [74.69495455411987]
重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。
以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。
所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
論文 参考訳(メタデータ) (2020-05-06T07:41:22Z) - Almost-Matching-Exactly for Treatment Effect Estimation under Network
Interference [73.23326654892963]
本研究では,観測ネットワーク上でユニットが接続されたランダム化実験から直接処理効果を回復するマッチング手法を提案する。
本手法は, 近傍グラフ内の一意部分グラフの個数にほぼ一致する。
論文 参考訳(メタデータ) (2020-03-02T15:21:20Z) - To Split or Not to Split: The Impact of Disparate Treatment in
Classification [8.325775867295814]
異なる処理は、機械学習モデルが機密属性に基づいて個人に対して異なる決定を下すときに発生する。
本稿では,分類器の分割による性能改善の定量化のための分割処理の利点を紹介する。
我々は,小規模凸プログラムを解くことで効率よく計算できる分割利益の等価表現を証明した。
論文 参考訳(メタデータ) (2020-02-12T04:05:31Z)
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。