Fugu-MT 論文翻訳(概要): Winners with Confidence: Discrete Argmin Inference with an Application to Model Selection

論文の概要: Winners with Confidence: Discrete Argmin Inference with an Application to Model Selection

arxiv url: http://arxiv.org/abs/2408.02060v1
Date: Sun, 4 Aug 2024 15:20:23 GMT
ステータス: 処理完了
システム内更新日: 2024-08-06 15:15:41.104156
Title: Winners with Confidence: Discrete Argmin Inference with an Application to Model Selection
Title（参考訳）: 自信を持つ勝者: モデル選択への応用とArgmin推論の離散化
Authors: Tianyu Zhang, Hao Lee, Jing Lei,
Abstract要約: 本稿では,ベクトル観測の最小値の指標を求める問題について検討する。この問題は、人口/政治比較、離散的最大可能性、モデル選択に関係している。
参考スコア（独自算出の注目度）: 11.62889979871371
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We study the problem of finding the index of the minimum value of a vector from noisy observations. This problem is relevant in population/policy comparison, discrete maximum likelihood, and model selection. We develop a test statistic that is asymptotically normal, even in high-dimensional settings and with potentially many ties in the population mean vector, by integrating concepts and tools from cross-validation and differential privacy. The key technical ingredient is a central limit theorem for globally dependent data. We also propose practical ways to select the tuning parameter that adapts to the signal landscape.
Abstract（参考訳）: 本研究では,雑音観測からベクトルの最小値の指数を求める問題について検討する。この問題は、人口/政治比較、離散的最大可能性、モデル選択に関係している。クロスバリデーションと差分プライバシーから概念とツールを統合することで、高次元の設定でも、また人口平均ベクトルが潜在的に多くの関係を持つ、漸近的に正常なテスト統計法を開発した。重要な技術的要素は、グローバル依存データに対する中心極限定理である。また,信号ランドスケープに適応するチューニングパラメータを選択するための実用的な方法を提案する。

関連論文リスト

Federated Nonparametric Hypothesis Testing with Differential Privacy Constraints: Optimal Rates and Adaptive Tests [5.3595271893779906]
フェデレート学習は、さまざまな場所でデータが収集され分析される広範囲な設定で適用可能であることから、近年大きな注目を集めている。分散差分プライバシー(DP)制約下でのホワイトノイズ・ウィズ・ドリフトモデルにおける非パラメトリック適合性試験について検討した。
論文参考訳（メタデータ） (2024-06-10T19:25:19Z)
Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach [0.9217021281095907]
異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
論文参考訳（メタデータ） (2023-12-03T06:13:22Z)
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)
On the Computational Complexity of Private High-dimensional Model Selection [18.964255744068122]
プライバシー制約下での高次元疎線形回帰モデルにおけるモデル選択の問題点を考察する。本稿では, 効率的なメトロポリス・ハスティングスアルゴリズムを提案し, 一定の規則性条件下では, 定常分布への混合時間を享受できることを確かめる。
論文参考訳（メタデータ） (2023-10-11T19:53:15Z)
Mean Estimation with User-level Privacy under Data Heterogeneity [54.07947274508013]
異なるユーザーは、非常に多くの異なるデータポイントを持っているかもしれない。すべてのユーザが同じディストリビューションからサンプルを採取していると仮定することはできない。本研究では,データの分布と量の両方でユーザデータが異なる異質なユーザデータの単純なモデルを提案する。
論文参考訳（メタデータ） (2023-07-28T23:02:39Z)
The Optimal Noise in Noise-Contrastive Learning Is Not What You Think [80.07065346699005]
この仮定から逸脱すると、実際により良い統計的推定結果が得られることが示される。特に、最適な雑音分布は、データと異なり、また、別の家族からさえも異なる。
論文参考訳（メタデータ） (2022-03-02T13:59:20Z)
Estimating Graph Dimension with Cross-validated Eigenvalues [5.0013150536632995]
応用統計学では、潜在次元の数を推定したり、クラスターの数を推定することは基本的な問題であり、繰り返し発生する問題である。この問題に対するクロスバリデーションな固有値アプローチを提供する。我々の手順は、すべての$k$次元を推定できるシナリオにおいて、一貫して$k$を推定することを証明する。
論文参考訳（メタデータ） (2021-08-06T23:52:30Z)
Near-optimal inference in adaptive linear regression [60.08422051718195]
最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
論文参考訳（メタデータ） (2021-07-05T21:05:11Z)
Preference learning along multiple criteria: A game-theoretic perspective [97.94912276610002]
我々は、ブラックウェルの接近性からインスピレーションを得て、フォン・ノイマンの勝者の概念をマルチ基準設定に一般化する。本フレームワークは,基準間の選好の非線形集約を可能にし,多目的最適化から線形化に基づくアプローチを一般化する。凸最適化問題の解法として,マルチ基準問題インスタンスのブラックウェルの勝者が計算可能であることを示す。
論文参考訳（メタデータ） (2021-05-05T03:23:11Z)
Transfer Learning with Multi-source Data: High-dimensional Inference for Group Distributionally Robust Models [0.0]
マルチソースデータによる学習はモデル一般化可能性の向上に役立ち、多くの重要な統計問題に不可欠なものである。本稿では,マルチソースデータに対する複数の高次元回帰モデルについて考察する。我々は,高次元マクシミン効果に対する有効信頼区間を構築するための新しいDenseNetサンプリング手法を考案した。
論文参考訳（メタデータ） (2020-11-15T16:15:10Z)
SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。