論文の概要: Task-Agnostic Machine Learning-Assisted Inference
- arxiv url: http://arxiv.org/abs/2405.20039v1
- Date: Thu, 30 May 2024 13:19:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 14:18:37.752306
- Title: Task-Agnostic Machine Learning-Assisted Inference
- Title（参考訳）: タスク非依存型機械学習支援推論
- Authors: Jiacheng Miao, Qiongshi Lu,
- Abstract要約: 本稿では,タスクに依存しないML支援推論のための新しい統計フレームワークを提案する。
MLモデルの任意の選択に対して堅牢な有効かつ効率的な推論を提供する。
既存手法と比較して,本手法の有効性,汎用性,優越性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) is playing an increasingly important role in scientific research. In conjunction with classical statistical approaches, ML-assisted analytical strategies have shown great promise in accelerating research findings. This has also opened up a whole new field of methodological research focusing on integrative approaches that leverage both ML and statistics to tackle data science challenges. One type of study that has quickly gained popularity employs ML to predict unobserved outcomes in massive samples and then uses the predicted outcomes in downstream statistical inference. However, existing methods designed to ensure the validity of this type of post-prediction inference are limited to very basic tasks such as linear regression analysis. This is because any extension of these approaches to new, more sophisticated statistical tasks requires task-specific algebraic derivations and software implementations, which ignores the massive library of existing software tools already developed for complex inference tasks and severely constrains the scope of post-prediction inference in real applications. To address this challenge, we propose a novel statistical framework for task-agnostic ML-assisted inference. It provides a post-prediction inference solution that can be easily plugged into almost any established data analysis routine. It delivers valid and efficient inference that is robust to arbitrary choices of ML models, while allowing nearly all existing analytical frameworks to be incorporated into the analysis of ML-predicted outcomes. Through extensive experiments, we showcase the validity, versatility, and superiority of our method compared to existing approaches.
- Abstract（参考訳）: 機械学習(ML)は、科学研究においてますます重要な役割を担っている。
古典的な統計的アプローチと合わせて、ML支援分析戦略は、研究成果の加速に大きな可能性を示唆している。
これはまた、データサイエンスの課題に取り組むためにMLと統計の両方を活用する統合的アプローチに焦点を当てた、全く新しい方法論研究の分野を開いた。
人気を急速に高めた研究の1つは、大量のサンプルで観測されていない結果を予測し、下流の統計的推測で予測結果を使用するためにMLを用いている。
しかし、この種の予測後の推論の有効性を保証するために設計された既存の手法は、線形回帰解析のような非常に基本的なタスクに限られている。
これは、複雑な推論タスクのためにすでに開発されている既存のソフトウェアツールの膨大なライブラリを無視し、実際のアプリケーションにおける予測後推論の範囲を厳しく制限する、タスク固有の代数的導出とソフトウェア実装を必要とするためである。
この課題に対処するために,タスクに依存しないML支援推論のための新しい統計フレームワークを提案する。
これは、ほぼすべての確立したデータ分析ルーチンに簡単にプラグインできる、予測後推論ソリューションを提供する。
MLモデルの任意の選択に対して堅牢な有効かつ効率的な推論を提供すると同時に、ほぼすべての既存の分析フレームワークをML予測結果の分析に組み込むことができる。
大規模な実験を通じて,既存手法と比較して,提案手法の有効性,汎用性,優越性を示す。
関連論文リスト
- LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。
本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。
このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文 参考訳（メタデータ） (2024-02-26T07:33:05Z) - Statistical Agnostic Regression: a machine learning method to validate regression models [0.0]
本稿では,MLに基づく線形回帰の統計的意義を評価する手法として,統計的回帰(Agnostic Regression, SAR)を提案する。
我々は、説明的(機能)変数と反応(ラベル)変数の間の集団に線形関係があることを結論付けるために、少なくとも1-etaの確率で十分な証拠が存在することを示すしきい値を定義する。
論文 参考訳（メタデータ） (2024-02-23T09:19:26Z) - Assumption-lean and Data-adaptive Post-Prediction Inference [1.5050365268347254]
本稿では,POP-Inf(Massor-lean and data-adaptive Post-Prediction Inference)手法を提案する。
その「推定リーン」特性は、ML予測に関する仮定なしで信頼できる統計的推測を保証する。
シミュレーションと大規模ゲノムデータを用いて,本手法の優位性と適用性を示す。
論文 参考訳（メタデータ） (2023-11-23T22:41:30Z) - Statistical inference using machine learning and classical techniques
based on accumulated local effects (ALE) [0.0]
Accumulated Local Effects (ALE) は、機械学習アルゴリズムのグローバルな説明のためのモデルに依存しないアプローチである。
ALEに基づく統計的推論を行うには,少なくとも3つの課題がある。
ALEを用いた統計的推論のための革新的なツールと技術を紹介する。
論文 参考訳（メタデータ） (2023-10-15T16:17:21Z) - 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) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - MAML is a Noisy Contrastive Learner [72.04430033118426]
モデルに依存しないメタラーニング(MAML)は、今日では最も人気があり広く採用されているメタラーニングアルゴリズムの1つである。
我々は、MAMLの動作メカニズムに対する新たな視点を提供し、以下に示すように、MAMLは、教師付きコントラスト目的関数を用いたメタラーナーに類似している。
このような干渉を軽減するため, 単純だが効果的な手法であるゼロ化手法を提案する。
論文 参考訳（メタデータ） (2021-06-29T12:52:26Z) - 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) - A Survey on Large-scale Machine Learning [67.6997613600942]
機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。
ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。
大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
論文 参考訳（メタデータ） (2020-08-10T06:07:52Z) - Statistically Guided Divide-and-Conquer for Sparse Factorization of
Large Matrix [2.345015036605934]
統計的問題をスパース係数回帰として定式化し、分割コンカレントアプローチでそれに取り組む。
第1段階分割では、タスクを1組の同時並列推定(CURE)問題に単純化するための2つの潜時並列アプローチについて検討する。
第2段階分割では、CUREの全解を効率的に追跡するために、一連の単純な増分経路からなる段階学習手法を革新する。
論文 参考訳（メタデータ） (2020-03-17T19:12:21Z)
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。