論文の概要: Simplifying Debiased Inference via Automatic Differentiation and Probabilistic Programming

• arxiv url: http://arxiv.org/abs/2405.08675v1
• Date: Tue, 14 May 2024 14:56:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 13:39:33.678685
• Title: Simplifying Debiased Inference via Automatic Differentiation and Probabilistic Programming
• Title（参考訳）: 自動微分と確率計画による偏見推論の簡易化
• Authors: Alex Luedtke,
• Abstract要約: 「Dimple」は、興味のパラメータを表す入力コンピュータコードとして、効率的な推定器を出力する。 概念実証Pythonの実装を提供し、パラメータ仕様から数行のコードで効率的に推定できる方法の例を紹介します。
• 参考スコア（独自算出の注目度）: 1.0152838128195467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce an algorithm that simplifies the construction of efficient estimators, making them accessible to a broader audience. 'Dimple' takes as input computer code representing a parameter of interest and outputs an efficient estimator. Unlike standard approaches, it does not require users to derive a functional derivative known as the efficient influence function. Dimple avoids this task by applying automatic differentiation to the statistical functional of interest. Doing so requires expressing this functional as a composition of primitives satisfying a novel differentiability condition. Dimple also uses this composition to determine the nuisances it must estimate. In software, primitives can be implemented independently of one another and reused across different estimation problems. We provide a proof-of-concept Python implementation and showcase through examples how it allows users to go from parameter specification to efficient estimation with just a few lines of code.
• Abstract（参考訳）: 本研究では,効率的な推定器の構築を簡略化するアルゴリズムを導入し,より広い範囲のオーディエンスに利用できるようにする。 「Dimple」は、興味のパラメータを表す入力コンピュータコードとして、効率的な推定器を出力する。 標準的なアプローチとは異なり、ユーザは効率的な影響関数として知られる関数微分を導出する必要はない。 Dimpleは、関心の統計関数に自動微分を適用することで、このタスクを回避している。 そのためには、この機能を、新しい微分可能性条件を満たすプリミティブの合成として表現する必要がある。 また、Dimpleはこの構成を使って見積もるべき問題を決定する。 ソフトウェアでは、プリミティブは互いに独立して実装でき、異なる推定問題にまたがって再利用できる。 概念実証Pythonの実装を提供し、パラメータ仕様から数行のコードで効率的に推定できる方法の例を紹介します。

関連論文リスト

• Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
  最適公正表現はいくつかの有用な構造特性を持つことを示す。 そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-26T08:46:48Z)
• Operator Learning Using Random Features: A Tool for Scientific Computing [3.745868534225104]
  教師付き演算子学習センターは、無限次元空間間のマップを推定するためにトレーニングデータを使用する。 本稿では,関数値のランダム特徴量法を提案する。 これは非線形問題に対して実用的な教師付き演算子学習アーキテクチャをもたらす。
  論文  参考訳（メタデータ） (2024-08-12T23:10:39Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Learning Unnormalized Statistical Models via Compositional Optimization [73.30514599338407]
  実データと人工雑音のロジスティックな損失として目的を定式化することにより, ノイズコントラスト推定(NCE)を提案する。 本稿では,非正規化モデルの負の対数類似度を最適化するための直接的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-06-13T01:18:16Z)
• Automatic Differentiation of Programs with Discrete Randomness [0.0]
  そこで本研究では,オリジナルプログラムの期待の導出を期待するプログラムを生成するための,新しい再編成手法を開発した。 本研究では,離散時間マルコフ連鎖の非偏差前モードAD,コンウェイのゲーム・オブ・ライフのようなエージェントベースモデル,粒子フィルタの非偏差逆モードADを示す。
  論文  参考訳（メタデータ） (2022-10-16T16:05:50Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Replacing Rewards with Examples: Example-Based Policy Search via Recursive Classification [133.20816939521941]
  標準的なマルコフ決定プロセス形式では、ユーザーは報酬関数を書き留めてタスクを指定する。 多くのシナリオでは、ユーザーはタスクを単語や数字で記述できないが、タスクが解決された場合の世界がどのように見えるかを簡単に示すことができる。 この観察に動機づけられた制御アルゴリズムは、成功した結果状態の例だけを考慮すれば、成功する結果につながる確率の高い状態を訪問することを目的としている。
  論文  参考訳（メタデータ） (2021-03-23T16:19:55Z)
• d3p -- A Python Package for Differentially-Private Probabilistic Programming [16.91407609966877]
  我々は,差分プライバシー保証の下で,実行時の効率の良いベイズ推論のフィールド化を支援するソフトウェアパッケージd3pを提案する。 d3pは微分プライベート変分推論アルゴリズムを実装して、広範囲の確率的モデリング問題に適用可能である。
  論文  参考訳（メタデータ） (2021-03-22T08:15:58Z)
• Ordered Counterfactual Explanation by Mixed-Integer Linear Optimization [10.209615216208888]
  Ordered Counterfactual Explanation (OrdCE) という新しいフレームワークを提案する。 本稿では,アクションの対と順序を特徴的相互作用に基づいて評価する新しい目的関数を提案する。 実データセットの数値実験により,OrdCEの非順序CE法と比較して有効性を示した。
  論文  参考訳（メタデータ） (2020-12-22T01:41:23Z)
• Automatic Differentiation in ROOT [62.997667081978825]
  数学と計算機代数において、自動微分 (AD) は、コンピュータプログラムによって指定された関数の微分を評価するための一連の技術である。 本稿では、任意のC/C++関数の導関数を生成するために、ClingがサポートするROOTで利用可能なAD技術を提案する。
  論文  参考訳（メタデータ） (2020-04-09T09:18:50Z)
• An Advance on Variable Elimination with Applications to Tensor-Based Computation [11.358487655918676]
  本稿では,確率的推論を含む多くのアルゴリズムの基盤となる可変除去の古典的アルゴリズムについて述べる。 結果は機能的依存関係の活用に関連しており、非常に大きなツリー幅を持つモデルで推論と学習を効率的に行うことができる。
  論文  参考訳（メタデータ） (2020-02-21T14:17:44Z)

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。