論文の概要: Automatic Doubly Robust Forests
- arxiv url: http://arxiv.org/abs/2412.07184v1
- Date: Tue, 10 Dec 2024 04:45:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-11 14:35:18.010816
- Title: Automatic Doubly Robust Forests
- Title(参考訳): 森林の自動伐採
- Authors: Zhaomeng Chen, Junting Duan, Victor Chernozhukov, Vasilis Syrgkanis,
- Abstract要約: 本稿では,モーメント関数の条件予測を推定するためのDouubly Robust Random Forest (DRRF)アルゴリズムを提案する。
DRRFはRiesz表現子を使って自動脱バイアスフレームワークを組み合わせる。
評価精度,ロバスト性,計算効率の観点から,ベンチマーク手法よりもDRRFの方が優れていることを示す。
- 参考スコア(独自算出の注目度): 18.700557484394544
- License:
- Abstract: This paper proposes the automatic Doubly Robust Random Forest (DRRF) algorithm for estimating the conditional expectation of a moment functional in the presence of high-dimensional nuisance functions. DRRF combines the automatic debiasing framework using the Riesz representer (Chernozhukov et al., 2022) with non-parametric, forest-based estimation methods for the conditional moment (Athey et al., 2019; Oprescu et al., 2019). In contrast to existing methods, DRRF does not require prior knowledge of the form of the debiasing term nor impose restrictive parametric or semi-parametric assumptions on the target quantity. Additionally, it is computationally efficient for making predictions at multiple query points and significantly reduces runtime compared to methods such as Orthogonal Random Forest (Oprescu et al., 2019). We establish the consistency and asymptotic normality results of DRRF estimator under general assumptions, allowing for the construction of valid confidence intervals. Through extensive simulations in heterogeneous treatment effect (HTE) estimation, we demonstrate the superior performance of DRRF over benchmark approaches in terms of estimation accuracy, robustness, and computational efficiency.
- Abstract(参考訳): 本稿では,高次元ニュアンス関数の存在下でのモーメント関数の条件予測を推定する,Douubly Robust Random Forest (DRRF)アルゴリズムを提案する。
DRRFは、Riesz表現子(Chernozhukov et al , 2022)と条件モーメントの非パラメトリックな森林ベースの推定方法(Athey et al , 2019; Oprescu et al , 2019)を組み合わせる。
既存の手法とは対照的に、DRRFは偏見項の形式に関する事前の知識を必要とせず、目標量に対して限定的なパラメトリックまたは半パラメトリックの仮定を課す。
さらに、複数のクエリポイントで予測を行うのに計算的に効率的であり、Orthogonal Random Forest (Oprescu et al , 2019)のような手法と比較して、ランタイムを大幅に削減する。
DRRF推定器の整合性および漸近正規化結果を確立し,有効信頼区間の構築を可能にする。
ヘテロジニアス処理効果 (HTE) 推定における広範囲なシミュレーションを通じて, 評価精度, 堅牢性, 計算効率の観点から, DRRFのベンチマーク手法よりも優れた性能を示す。
関連論文リスト
- Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
The consistency properties of TD learning with Polyak-Ruppert averaging and linear function approximation。
まず、分散に明示的に依存し、弱い条件下で保持する新しい高次元確率収束保証を導出する。
さらに、文献よりも高速な速度を保証する凸集合のクラスに対して、洗練された高次元ベリー-エッセイン境界を確立する。
論文 参考訳(メタデータ) (2024-10-21T15:34:44Z) - Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。
本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。
これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
論文 参考訳(メタデータ) (2024-06-05T13:36:38Z) - Mitigating LLM Hallucinations via Conformal Abstention [70.83870602967625]
我々は,大言語モデルが一般ドメインでの応答をいつ無視すべきかを決定するための,原則化された手順を開発する。
我々は、幻覚率(エラー率)の厳密な理論的保証の恩恵を受けるため、共形予測手法を活用して、禁忌手順を開発する。
実験によって得られた共形禁忌法は, 種々の閉書, オープンドメイン生成質問応答データセットに, 幻覚率を確実に拘束する。
論文 参考訳(メタデータ) (2024-04-04T11:32:03Z) - Double Cross-fit Doubly Robust Estimators: Beyond Series Regression [13.595329873577839]
クロスフィットの頑健な推定器は、好意的な構造に依存しないエラー保証のため、因果推論で人気を博している。
トレーニングデータを分割し、独立したサンプルにニュアンス関数推定器をアンダースムースすることにより、DCDR (Double Cross-fit Duubly robust) 推定器を構築することができる。
我々は、非平滑なDCDR推定器がより遅い$sqrtn$中心極限を満たすことを示し、非$sqrtn$状態においても推論が可能であることを示す。
論文 参考訳(メタデータ) (2024-03-22T12:59:03Z) - Guaranteed Coverage Prediction Intervals with Gaussian Process Regression [0.6993026261767287]
本稿では,CP(Conformal Prediction)と呼ばれる機械学習フレームワークに基づくGPRの拡張を提案する。
この拡張により、モデルを完全に不特定であっても、必要なカバレッジでPIの生成が保証される。
論文 参考訳(メタデータ) (2023-10-24T08:59:40Z) - Optimal Weighted Random Forests [8.962539518822684]
ランダムフォレスト(RF)アルゴリズムは、その優れた柔軟性と有望な精度の予測方法として、非常に一般的なものとなっている。
1段重み付きRF(1step-WRF$_mathrmopt$)と2段重み付きRF(2steps-WRF$_mathrmopt$)という2つの最適アルゴリズムを提案する。
実世界のデータセットで行った数値研究は、これらのアルゴリズムが既存の文献で提案されている等重量の森林と他の2つの重み付きRFよりも優れていることを示している。
論文 参考訳(メタデータ) (2023-05-17T08:36:43Z) - Adaptive Conformal Prediction by Reweighting Nonconformity Score [0.0]
我々は、QRF(Quantile Regression Forest)を用いて、不整合スコアの分布を学習し、QRFの重みを利用して、テストポイントに類似した残差を持つサンプルにより重要度を割り当てる。
提案手法は,仮定のない有限標本境界範囲と訓練条件範囲を満足し,適切な仮定の下で条件付き範囲を確保できる。
論文 参考訳(メタデータ) (2023-03-22T16:42:19Z) - Confidence and Uncertainty Assessment for Distributional Random Forests [1.2767281330110625]
分布ランダムフォレスト (DRF) は条件分布を推定するために最近導入されたランダムフォレストである。
条件平均処理効果、条件量子化、条件相関など、幅広いターゲットを推定するために使用できる。
DRFのアルゴリズムを特徴付け、ブートストラップ近似を開発する。
論文 参考訳(メタデータ) (2023-02-11T19:10:01Z) - Doubly Robust Off-Policy Actor-Critic: Convergence and Optimality [131.45028999325797]
ディスカウント型MDPのための2倍堅牢なオフポリチックAC(DR-Off-PAC)を開発した。
DR-Off-PACは、俳優と批評家の両方が一定のステップで同時に更新される単一のタイムスケール構造を採用しています。
有限時間収束速度を研究し, dr-off-pac のサンプル複雑性を特徴とし, $epsilon$-accurate optimal policy を得る。
論文 参考訳(メタデータ) (2021-02-23T18:56:13Z) - Efficient semidefinite-programming-based inference for binary and
multi-class MRFs [83.09715052229782]
分割関数やMAP推定をペアワイズMRFで効率的に計算する手法を提案する。
一般のバイナリMRFから完全多クラス設定への半定緩和を拡張し、解法を用いて再び効率的に解けるようなコンパクトな半定緩和を開発する。
論文 参考訳(メタデータ) (2020-12-04T15:36:29Z) - Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via
Higher-Order Influence Functions [121.10450359856242]
我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。
1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
論文 参考訳(メタデータ) (2020-06-29T13:36:52Z)
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。