論文の概要: Automated Efficient Estimation using Monte Carlo Efficient Influence
Functions
- arxiv url: http://arxiv.org/abs/2403.00158v1
- Date: Thu, 29 Feb 2024 22:19:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 18:55:45.688785
- Title: Automated Efficient Estimation using Monte Carlo Efficient Influence
Functions
- Title(参考訳): モンテカルロ効率的な影響関数を用いた効率自動推定
- Authors: Raj Agrawal, Sam Witty, Andy Zane, Eli Bingham
- Abstract要約: 本稿では,MC-EIF(TextitMonte Carlo Efficient Influence Function)を紹介する。
MC-EIFは効率的な影響関数を近似する完全自動化技術である。
我々は,MC-EIF が一貫したものであり,MC-EIF を用いた推定器が最適$sqrtN$収束率を達成することを証明した。
- 参考スコア(独自算出の注目度): 5.1689445482852765
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many practical problems involve estimating low dimensional statistical
quantities with high-dimensional models and datasets. Several approaches
address these estimation tasks based on the theory of influence functions, such
as debiased/double ML or targeted minimum loss estimation. This paper
introduces \textit{Monte Carlo Efficient Influence Functions} (MC-EIF), a fully
automated technique for approximating efficient influence functions that
integrates seamlessly with existing differentiable probabilistic programming
systems. MC-EIF automates efficient statistical estimation for a broad class of
models and target functionals that would previously require rigorous custom
analysis. We prove that MC-EIF is consistent, and that estimators using MC-EIF
achieve optimal $\sqrt{N}$ convergence rates. We show empirically that
estimators using MC-EIF are at parity with estimators using analytic EIFs.
Finally, we demonstrate a novel capstone example using MC-EIF for optimal
portfolio selection.
- Abstract(参考訳): 多くの実用的な問題は、高次元モデルとデータセットによる低次元統計量の推定である。
いくつかのアプローチは、デバイアス/ダブルMLやターゲット最小損失推定など、影響関数の理論に基づくこれらの推定タスクに対処する。
本稿では,既存の可微分確率型プログラミングシステムとシームレスに統合された効率な影響関数を完全自動で近似する手法である 'textit{Monte Carlo Efficient Influence Function} (MC-EIF) を紹介する。
MC-EIFは、厳密なカスタム分析を必要とする幅広いモデルのクラスとターゲット関数の効率的な統計的推定を自動化する。
MC-EIF は一貫したものであり、MC-EIF を用いた推定器は最適な $\sqrt{N}$ 収束率を得る。
MC-EIFを用いた推定器は解析的EIFを用いた推定器と同等であることを示す。
最後に,MC-EIFを最適ポートフォリオ選択に用いる新しいカプストーンの例を示す。
関連論文リスト
- Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳(メタデータ) (2024-03-08T14:45:18Z) - 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) - Online non-parametric likelihood-ratio estimation by Pearson-divergence
functional minimization [55.98760097296213]
iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。
本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
論文 参考訳(メタデータ) (2023-11-03T13:20:11Z) - Adaptive LASSO estimation for functional hidden dynamic geostatistical
model [69.10717733870575]
関数型隠れ統計モデル(f-HD)のためのペナル化極大推定器(PMLE)に基づく新しいモデル選択アルゴリズムを提案する。
このアルゴリズムは反復最適化に基づいており、適応最小限の収縮・セレクタ演算子(GMSOLAS)ペナルティ関数を用いており、これは不給付のf-HD最大線量推定器によって得られる。
論文 参考訳(メタデータ) (2022-08-10T19:17:45Z) - Functional mixture-of-experts for classification [0.0]
我々は、マルチクラス分類に対するMixs-of-Experts(ME)アプローチを開発する。
それは、ゲーティングネットワークとエキスパートネットワークの両方を構築するMEモデルで構成されている。
我々は、係数関数が解釈可能な空間的制約を享受する正規化最大推定を行う。
論文 参考訳(メタデータ) (2022-02-28T16:33:50Z) - Rectified Max-Value Entropy Search for Bayesian Optimization [54.26984662139516]
我々は、相互情報の概念に基づいて、修正されたMES取得関数を開発する。
その結果、RMESは、いくつかの合成関数ベンチマークと実世界の最適化問題において、MESよりも一貫した改善を示している。
論文 参考訳(メタデータ) (2022-02-28T08:11:02Z) - Blending MPC & Value Function Approximation for Efficient Reinforcement
Learning [42.429730406277315]
モデル予測制御(MPC)は、複雑な実世界のシステムを制御する強力なツールである。
モデルフリー強化学習(RL)によるMPC改善のためのフレームワークを提案する。
我々は,本手法がmpcに匹敵する性能と真のダイナミクスを両立できることを示す。
論文 参考訳(メタデータ) (2020-12-10T11:32:01Z) - Interpreting Robust Optimization via Adversarial Influence Functions [24.937845875059928]
本稿では、ロバストな最適化によって生成されるソリューションを調査するためのツールとして、AIF(Adversarial Influence Function)を紹介する。
AIFの使用法を説明するために、モデル感度(自然データにおける予測損失の変化を捉えるために定義された量)について検討する。
AIFを用いて、モデルの複雑さとランダムな平滑化が、特定のモデルに対するモデルの感度にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2020-10-03T01:19:10Z) - Estimating Structural Target Functions using Machine Learning and
Influence Functions [103.47897241856603]
統計モデルから特定可能な関数として生じる対象関数の統計的機械学習のための新しい枠組みを提案する。
このフレームワークは問題とモデルに依存しないものであり、応用統計学における幅広い対象パラメータを推定するのに使用できる。
我々は、部分的に観測されていない情報を持つランダム/二重ロバストな問題において、いわゆる粗大化に特に焦点をあてた。
論文 参考訳(メタデータ) (2020-08-14T16:48:29Z) - Machine learning for causal inference: on the use of cross-fit
estimators [77.34726150561087]
より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。
平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。
機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-04-21T23:09:55Z)
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。